זהו פוסט אורח בבלוג שנכתב על ידי Nitin Kumar, מדען נתונים מוביל ב-T and T Consulting Services, Inc.
בפוסט זה, אנו דנים בערך וההשפעה הפוטנציאלית של למידה מאוחדת בתחום הבריאות. גישה זו יכולה לעזור לחולי שבץ לב, רופאים וחוקרים עם אבחון מהיר יותר, קבלת החלטות מועשרת ועבודת מחקר מושכלת יותר בנושאי בריאות הקשורים לשבץ, תוך שימוש בגישה מקורית בענן עם שירותי AWS להרמה קלה ואימוץ פשוט .
אתגרי אבחון עם שבץ לב
נתונים סטטיסטיים של מרכז לבקרת מחלות ומניעתן (CDC) מראים שבכל שנה בארה"ב, יותר מ-795,000 אנשים סובלים מהשבץ הראשון שלהם, וכ-25% מהם חווים התקפים חוזרים. זוהי סיבת המוות מספר חמש על פי איגוד השבץ האמריקאי וגורם מוביל לנכות בארה"ב. לכן, חיוני לקבל אבחון וטיפול מהירים כדי להפחית נזק מוחי וסיבוכים אחרים בחולי שבץ חריף.
CT ו-MRI הם תקן הזהב בטכנולוגיות הדמיה לסיווג תת-סוגים שונים של שבץ מוחי והם חיוניים במהלך הערכה ראשונית של חולים, קביעת הגורם השורשי וטיפול. אתגר קריטי אחד כאן, במיוחד במקרה של שבץ חריף, הוא זמן אבחון הדמיה, שנע בממוצע בין 30 דקות עד שעה ויכול להיות הרבה יותר ארוך בהתאם לצפיפות במחלקה למיון.
רופאים וצוות רפואי זקוקים לאבחון תמונה מהיר ומדויק כדי להעריך את מצבו של המטופל ולהציע אפשרויות טיפול. במילותיו של ד"ר ורנר פוגלס עצמו ב AWS re: להמציא את 2023, "כל שנייה שלאדם יש אירוע מוחי נחשבת." נפגעי שבץ מוחי עלולים לאבד כ-1.9 מיליארד נוירונים בכל שנייה שהם לא מטופלים.
הגבלות נתונים רפואיים
אתה יכול להשתמש בלמידת מכונה (ML) כדי לסייע לרופאים ולחוקרים במשימות אבחון, ובכך להאיץ את התהליך. עם זאת, מערכי הנתונים הדרושים לבניית מודלים של ML ולתת תוצאות אמינות יושבים בממגורות על פני מערכות בריאות וארגונים שונים. לנתונים מבודדים אלה יש פוטנציאל להשפעה מסיבית אם יצטברו. אז למה עדיין לא נעשה בו שימוש?
ישנם מספר אתגרים כאשר עובדים עם מערכי נתונים של דומיינים רפואיים ובניית פתרונות ML, כולל פרטיות המטופל, אבטחת נתונים אישיים והגבלות בירוקרטיות ומדיניות מסוימות. בנוסף, מוסדות המחקר החמירו את נוהלי שיתוף הנתונים שלהם. מכשולים אלו גם מונעים מצוותי מחקר בינלאומיים לעבוד יחד על מערכי נתונים מגוונים ועשירים, שיכולים להציל חיים ולמנוע נכויות שעלולות לנבוע משבץ לב, בין היתר.
מדיניות ותקנות כמו ומרגולצית הנתונים הכללית (GDPR), ביטוח בריאות הטלטלות דין וחשבון Act (HIPPA), ו חוק פרטיות הצרכן בקליפורניה (CCPA) שם מעקות בטיחות על שיתוף נתונים מהתחום הרפואי, במיוחד נתוני מטופלים. בנוסף, מערכי הנתונים במכונים, ארגונים ובתי חולים בודדים הם לרוב קטנים מדי, אינם מאוזנים או בעלי הפצה מוטה, מה שמוביל לאילוצי הכללה של המודל.
למידה מאוחדת: מבוא
למידה מאוחדת (FL) היא צורה מבוזרת של ML - גישה הנדסית דינמית. בגישת ML מבוזרת זו, מודל ה-ML משותף בין ארגונים להדרכה על תת-ערכות נתונים קנייניות, בניגוד לאימון ML מרוכז מסורתי, שבו המודל מתאמן בדרך כלל על מערכי נתונים מצטברים. הנתונים נשארים מוגנים מאחורי חומות האש של הארגון או VPC, בעוד המודל עם המטא נתונים שלו משותף.
בשלב ההכשרה, מודל FL גלובלי מופץ ומסונכרן בין ארגוני היחידה להדרכה על מערכי נתונים בודדים, ומוחזר מודל מאומן מקומי. המודל הגלובלי הסופי זמין לשימוש כדי ליצור תחזיות לכל אחד מהמשתתפים, והוא יכול לשמש גם כבסיס להכשרה נוספת לבניית מודלים מותאמים אישית מקומיים לארגונים המשתתפים. ניתן להרחיב אותו עוד יותר לטובת מכונים אחרים. גישה זו יכולה להפחית באופן משמעותי את דרישות אבטחת הסייבר עבור נתונים במעבר על ידי הסרת הצורך בהעברת נתונים מחוץ לגבולות הארגון בכלל.
התרשים הבא ממחיש ארכיטקטורה לדוגמה.
בסעיפים הבאים, נדון כיצד למידה מאוחדת יכולה לעזור.
הפדרציה לומדת להציל את היום (ולהציל חיים)
בשביל בינה מלאכותית טובה (AI), אתה צריך נתונים טובים.
מערכות מדור קודם, שנמצאות לעתים קרובות בתחום הפדרלי, מציבות אתגרי עיבוד נתונים משמעותיים לפני שתוכל להפיק מודיעין כלשהו או למזג אותם עם מערכי נתונים חדשים יותר. זהו מכשול במתן מודיעין בעל ערך למנהיגים. זה יכול להוביל לקבלת החלטות לא מדויקות מכיוון ששיעור הנתונים מדור קודם הוא לפעמים בעל ערך הרבה יותר בהשוואה למערך הנתונים הקטן החדש יותר. אתה רוצה לפתור את צוואר הבקבוק הזה ביעילות וללא עומסי עבודה של מאמצי איחוד ואינטגרציה ידניים (כולל תהליכי מיפוי מסורבלים) עבור מערכי נתונים מדור קודם וחדשים יותר על פני בתי חולים ומכונים, מה שעלול להימשך חודשים רבים - אם לא שנים, במקרים רבים. הנתונים הוותיקים הם בעלי ערך רב מכיוון שהם מכילים מידע הקשרי חשוב הדרוש לקבלת החלטות מדויקות והכשרת מודלים מושכלת, מה שמוביל לבינה מלאכותית אמינה בעולם האמיתי. משך הנתונים מודיע על וריאציות ודפוסים ארוכי טווח במערך הנתונים, שאחרת לא יזוהה ויובילו לתחזיות מוטות וחסרות ידע.
פירוק ממגורות הנתונים הללו כדי לאחד את הפוטנציאל הבלתי מנוצל של הנתונים המפוזרים יכול להציל ולשנות חיים רבים. זה גם יכול להאיץ את המחקר הקשור לבעיות בריאות משניות הנובעות משבץ לב. פתרון זה יכול לעזור לך לשתף תובנות מנתונים מבודדים בין מכונים עקב מדיניות וסיבות אחרות, בין אם אתה בית חולים, מכון מחקר או ארגונים אחרים המתמקדים בנתוני בריאות. זה יכול לאפשר החלטות מושכלות לגבי כיוון מחקר ואבחון. בנוסף, זה מביא למאגר מרכזי של מודיעין באמצעות בסיס ידע מאובטח, פרטי וגלובלי.
ללמידה מאוחדת יש יתרונות רבים באופן כללי ובמיוחד עבור הגדרות נתונים רפואיים.
תכונות אבטחה ופרטיות:
- מרחיק נתונים רגישים מהאינטרנט ועדיין משתמש בהם עבור ML, ורותם את האינטליגנציה שלו עם פרטיות דיפרנציאלית
- מאפשר לך לבנות, לאמן ולפרוס מודלים חסרי משוחדים וחזקים על פני לא רק מכונות אלא גם רשתות, ללא כל סכנות אבטחת מידע
- מתגבר על המכשולים עם מספר רב של ספקים המנהלים את הנתונים
- מבטל את הצורך בשיתוף נתונים חוצה אתרים וממשל גלובלי
- שומר על פרטיות עם פרטיות דיפרנציאלית ומציע חישוב מאובטח מרובה צדדים עם הכשרה מקומית
שיפורים בביצועים:
- מטפל בבעיית גודל המדגם הקטן במרחב ההדמיה הרפואית ובתהליכי תיוג יקרים
- מאזן את התפלגות הנתונים
- מאפשר לך לשלב את רוב השיטות המסורתיות של ML ולמידה עמוקה (DL).
- משתמש בערכות תמונות מאוחדות כדי לסייע בשיפור הכוח הסטטיסטי, תוך התגברות על מגבלת גודל המדגם של מוסדות בודדים
יתרונות חוסן:
- אם צד אחד יחליט לעזוב, זה לא יפריע לאימון
- בית חולים או מכון חדש יכולים להצטרף בכל עת; זה לא תלוי באף מערך נתונים ספציפי עם ארגון צומת כלשהו
- אין צורך בצינורות נרחבים של הנדסת נתונים עבור הנתונים העתיקים הפזורים על פני מיקומים גיאוגרפיים נרחבים
תכונות אלו יכולות לעזור להוריד את החומות בין מוסדות המארחים מערכי נתונים מבודדים בדומיינים דומים. הפתרון יכול להפוך למכפיל כוח על ידי רתימת הכוחות המאוחדים של מערכי נתונים מבוזרים ושיפור היעילות על ידי שינוי קיצוני של היבט המדרגיות ללא העלאת התשתית הכבדה. גישה זו מסייעת ל-ML למצות את מלוא הפוטנציאל שלו, להיות מיומן ברמה הקלינית ולא רק במחקר.
ללמידה מאוחדת יש ביצועים דומים ל-ML רגיל, כפי שמוצג להלן לְנַסוֹת מאת NVidia Clara (ב-Medical Modal ARchive (MMAR) באמצעות מערך הנתונים של BRATS2018). כאן, FL השיגה ביצועי פילוח דומה בהשוואה לאימון עם נתונים מרוכזים: למעלה מ-80% עם כ-600 עידנים תוך אימון משימת פילוח גידולי מוח רב-מודאלית, רב-מעמדית.
למידה מאוחדת נבדקה לאחרונה בכמה תתי תחומים רפואיים עבור מקרי שימוש כולל למידת דמיון של מטופלים, למידת ייצוג מטופלים, פנוטייפ ומודלים חזויים.
תוכנית יישום: למידה מאוחדת מאפשרת זאת פשוטה
כדי להתחיל עם FL, אתה יכול לבחור מתוך מערכי נתונים רבים באיכות גבוהה. לדוגמה, מערכי נתונים עם תמונות מוח כוללים להתיישב (יוזמת חילופי נתונים של אוטיזם Brain Imaging), ADNI (יוזמת נוירו-דמיית מחלת אלצהיימר), RSNA (האגודה הרדיולוגית של צפון אמריקה) CT מוח, BraTS (מדד פילוח תמונת גידולי מוח רב-תיכוניים) מתעדכן באופן קבוע עבור אתגר פילוח גידולי המוח תחת UPenn (אוניברסיטת פנסילבניה), BioBank בבריטניה (מכוסה ב-NIH הבא מאמר,) ו IXIA. באופן דומה עבור תמונות לב, אתה יכול לבחור מתוך מספר אפשרויות זמינות לציבור, כולל ACDC (Automatic Cardiac Diagnosis Challenge), שהוא מערך הערכת MRI לבבי עם הערה מלאה המוזכרת על ידי הספרייה הלאומית לרפואה. מאמר, ואתגר פילוח הלב של M&M (רב-מרכזי, רב-ספקים ומגוון מחלות) המוזכר בסעיף הבא IEEE נייר.
התמונות הבאות מציגות את א מפת חפיפת נגעים הסתברותיים עבור הנגעים הראשוניים ממערך הנתונים של ATLAS R1.1. (שבץ הוא אחד הגורמים השכיחים ביותר לנגעים במוח לפי קליבלנד קליניק.)
עבור נתוני רשומות בריאות אלקטרוניות (EHR), מספר מערכי נתונים זמינים העוקבים אחר ה משאבי פעולה הדדי מהירים בתחום הבריאות תקן (FHIR). תקן זה עוזר לך לבנות פיילוטים פשוטים על ידי הסרת אתגרים מסוימים עם מערכי נתונים הטרוגניים ולא מנורמלים, מה שמאפשר החלפה חלקה ומאובטחת, שיתוף ושילוב של מערכי נתונים. ה-FHIR מאפשר יכולת פעולה הדדית מרבית. דוגמאות מערכי נתונים כוללות MIMIC-IV (מדית מידע רפואי לטיפול נמרץ). מערכי נתונים אחרים באיכות טובה שאינם כרגע FHIR אך ניתנים להמרה בקלות כוללים מרכזים לשירותי Medicare & Medicaid (CMS) קבצי שימוש ציבורי (PUF) ו מאגר מחקר שיתופי של eICU מ-MIT (המכון הטכנולוגי של מסצ'וסטס). ישנם גם משאבים אחרים שהופכים זמינים המציעים מערכי נתונים מבוססי FHIR.
מחזור החיים ליישום FL יכול לכלול את הדברים הבאים צעדים: אתחול משימות, בחירה, תצורה, הדרכת מודלים, תקשורת לקוח/שרת, תזמון ואופטימיזציה, ניהול גרסאות, בדיקה, פריסה וסיום. ישנם שלבים עתירי זמן רבים הנכנסים להכנת נתוני הדמיה רפואית עבור ML מסורתי, כמתואר להלן מאמר. ייתכן שיהיה צורך בידע על תחום בתרחישים מסוימים כדי לעבד מראש נתוני מטופל גולמיים, במיוחד בשל אופיו הרגיש והפרטי. ניתן לאחד אותם ולפעמים לבטל אותם עבור FL, לחסוך זמן מכריע לאימון ולספק תוצאות מהירות יותר.
יישום
הכלים והספריות של FL גדלו עם תמיכה נרחבת, מה שהופך את השימוש ב-FL פשוט ללא הרמה כבדה. יש הרבה משאבים טובים ואפשרויות מסגרת זמינות כדי להתחיל. אתה יכול להתייחס לדברים הבאים רשימה מקיפה מהמסגרות והכלים הפופולריים ביותר בתחום FL, כולל PySyft, FedML, פרח, OpenFL, גוֹרָל, TensorFlow מאוחד, ו NVFlare. הוא מספק רשימת פרויקטים למתחילים שאפשר להתחיל במהירות ולהתבסס עליהם.
אתה יכול ליישם גישה מקורית לענן עם אמזון SageMaker שעובד בצורה חלקה עם הצצה של AWS VPC, שמירה על ההכשרה של כל צומת בתת-רשת פרטית ב-VPC שלו ומאפשרת תקשורת באמצעות כתובות IPv4 פרטיות. יתר על כן, מודל אירוח על אמזון SageMaker JumpStart יכול לעזור על ידי חשיפת ממשק ה-API של נקודת הקצה מבלי לשתף משקלי מודל.
זה גם מסיר אתגרי מחשוב פוטנציאליים ברמה גבוהה עם חומרה מקומית עם ענן מחשוב אלסטי של אמזון משאבים (Amazon EC2). אתה יכול ליישם את הלקוח והשרתים של FL ב-AWS עם מחברות SageMaker ו שירות אחסון פשוט של אמזון (Amazon S3), לשמור על גישה מוסדרת לנתונים ולמודל עם AWS זהות וניהול גישה (IAM) תפקידים ושימוש שירות אסימון האבטחה AWS (AWS STS) לאבטחה בצד הלקוח. אתה יכול גם לבנות מערכת מותאמת אישית משלך עבור FL באמצעות Amazon EC2.
לסקירה מפורטת של יישום FL עם פרח מסגרת על SageMaker, ודיון בהבדל שלה מהדרכה מבוזרת, עיין למידת מכונה עם נתוני אימון מבוזרים באמצעות למידה מאוחדת ב-Amazon SageMaker.
האיורים הבאים ממחישים את הארכיטקטורה של למידת העברה ב-FL.
התמודדות עם אתגרי נתונים של FL
למידה מאוחדת מגיעה עם אתגרי נתונים משלה, כולל פרטיות ואבטחה, אך הם פשוטים לטיפול. ראשית, עליך לטפל בבעיית ההטרוגניות של הנתונים עם נתוני הדמיה רפואית הנובעים מנתונים המאוחסנים באתרים שונים ובארגונים משתתפים, המכונה שינוי תחום בעיה (המכונה גם משמרת לקוח במערכת FL), כפי שהודגשו על ידי גואן וליו בהמשך מאמר. זה יכול להוביל להבדל בהתכנסות של המודל העולמי.
מרכיבים נוספים שיש לקחת בחשבון כוללים הבטחת איכות ואחידות הנתונים במקור, שילוב ידע מומחים בתהליך הלמידה כדי לעורר אמון במערכת בקרב אנשי מקצוע רפואיים, והשגת דיוק המודל. למידע נוסף על כמה מהאתגרים הפוטנציאליים שאתה עלול להתמודד איתם במהלך היישום, עיין בסעיף הבא מאמר.
AWS עוזר לך לפתור את האתגרים האלה עם תכונות כמו המחשוב הגמיש של Amazon EC2 ובנוי מראש תמונות Docker ב- SageMaker לפריסה פשוטה. אתה יכול לפתור בעיות בצד הלקוח כמו נתונים לא מאוזנים ומשאבי חישוב עבור כל ארגון צומת. אתה יכול לטפל בבעיות למידה בצד השרת כמו התקפות הרעלה מגורמים זדוניים עם ענן וירטואלי פרטי של אמזון (VPC של אמזון), קבוצות אבטחה, ותקני אבטחה אחרים, מניעת שחיתות לקוחות ויישום שירותי זיהוי חריגות של AWS.
AWS מסייעת גם להתמודד עם אתגרי הטמעה בעולם האמיתי, שיכולים לכלול אתגרי אינטגרציה, בעיות תאימות עם מערכות בתי חולים נוכחיות או מדור קודם, ומכשולים לאימוץ משתמשים, על ידי הצעת פתרונות טכנולוגיים גמישים, קלים לשימוש וללא מאמץ.
עם שירותי AWS, אתה יכול לאפשר מחקר בקנה מידה גדול מבוסס FL ויישום ופריסה קלינית, שיכולים להיות מורכבים מאתרים שונים ברחבי העולם.
המדיניות האחרונה בנושא יכולת פעולה הדדית מדגישה את הצורך בלמידה מאוחדת
חוקים רבים שהתקבלו לאחרונה על ידי הממשלה כוללים התמקדות ביכולת פעולה הדדית של נתונים, ומחזקים את הצורך בפעילות הדדית חוצת ארגון של נתונים למודיעין. ניתן למלא זאת באמצעות FL, כולל מסגרות כמו ה TEFCA (Trusted Exchange Framework and Common Agreement) והמורחב USCDI (נתוני ליבה של ארצות הברית עבור יכולת פעולה הדדית).
הרעיון המוצע תורם גם ליוזמת הלכידה וההפצה של ה-CDC CDC מתקדם. הציטוט הבא מהמאמר של GovCIO שיתוף נתונים ובינה מלאכותית בראש סדר העדיפויות של סוכנות הבריאות הפדרלית בשנת 2024 גם מהדהד נושא דומה: "יכולות אלה יכולות גם לתמוך בציבור בצורה שוויונית, לפגוש מטופלים היכן שהם נמצאים ולפתוח גישה קריטית לשירותים אלה. חלק גדול מהעבודה הזה מסתכם בנתונים".
זה יכול לעזור למכונים וסוכנויות רפואיות ברחבי הארץ (וברחבי העולם) עם ממגורות נתונים. הם יכולים להפיק תועלת מאינטגרציה חלקה ומאובטחת ומאפשרות הדדית של נתונים, מה שהופך את הנתונים הרפואיים לשימושיים לחיזויים מבוססי ML וזיהוי דפוסים רבי השפעה. אתה יכול להתחיל עם תמונות, אבל הגישה חלה גם על כל EHR. המטרה היא למצוא את הגישה הטובה ביותר עבור מחזיקי עניין בנתונים, עם צינור מקורי בענן לנרמל ולסטנדרטיזציה של הנתונים או להשתמש בהם ישירות עבור FL.
בוא נחקור מקרה שימוש לדוגמה. נתוני הדמיית שבץ לב וסריקות פזורים ברחבי הארץ והעולם, יושבים בממגורות מבודדות במכונים, אוניברסיטאות ובתי חולים, ומופרדים על ידי גבולות בירוקרטיים, גיאוגרפיים ופוליטיים. אין מקור מצטבר אחד ואין דרך קלה לאנשי מקצוע רפואיים (שאינם מתכנתים) להוציא ממנו תובנות. יחד עם זאת, לא ניתן להכשיר מודלים של ML ו-DL על נתונים אלה, מה שיכול לעזור לאנשי מקצוע רפואיים לקבל החלטות מהירות ומדויקות יותר בזמנים קריטיים שבהם סריקות לב יכולות להימשך שעות עד שחייו של המטופל יכולים להיות תלויים. איזון.
מקרי שימוש ידועים אחרים כוללים סירים (רכישת מערכת מעקב מקוונת) ב NIH (המכונים הלאומיים לבריאות) ואבטחת סייבר לצרכי פתרונות מודיעין מפוזרים ומדורגים במיקומי COMCOMs/MAJCOMs ברחבי העולם.
סיכום
למידה מאוחדת טומנת בחובה הבטחה גדולה לניתוח נתוני בריאות ומודיעין. זה פשוט ליישם פתרון מקורי בענן עם שירותי AWS, ו-FL מועילה במיוחד לארגונים רפואיים עם נתונים מדור קודם ואתגרים טכניים. ל-FL יכולה להיות השפעה פוטנציאלית על כל מחזור הטיפול, ועכשיו אפילו יותר עם ההתמקדות ביכולת פעולה הדדית של נתונים מארגונים פדרליים גדולים ומנהיגי ממשלה.
פתרון זה יכול לעזור לך להימנע מלהמציא מחדש את הגלגל ולהשתמש בטכנולוגיה העדכנית ביותר כדי לקחת קפיצה ממערכות מדור קודם ולהיות בחזית העולם המתפתח הזה של AI. אתה יכול גם להיות מוביל עבור שיטות עבודה מומלצות וגישה יעילה ליכולת פעולה הדדית של נתונים בתוך ובין סוכנויות ומכונים בתחום הבריאות ומחוצה לו. אם אתה מכון או סוכנות עם ממגורות נתונים הפזורות ברחבי הארץ, אתה יכול ליהנות מהשילוב החלק והמאובטח הזה.
התוכן והדעות בפוסט זה הם של המחבר של הצד השלישי ו-AWS אינה אחראית לתוכן או לדיוק של פוסט זה. באחריותו של כל לקוח לקבוע האם הם כפופים ל-HIPAA, ואם כן, כיצד לציית בצורה הטובה ביותר ל-HIPAA ולתקנות היישום שלה. לפני השימוש ב-AWS בקשר למידע בריאותי מוגן, הלקוחות חייבים להזין נספח עמית עסקי של AWS (BAA) ולעקוב אחר דרישות התצורה שלו.
על המחבר
ניטין קומאר (MS, CMU) הוא מדען נתונים מוביל ב-T and T Consulting Services, Inc. יש לו ניסיון רב עם יצירת אב טיפוס של מו"פ, אינפורמטיקה בריאותית, נתונים מהמגזר הציבורי ויכולת פעולה הדדית של נתונים. הוא מיישם את הידע שלו בשיטות מחקר מתקדמות במגזר הפדרלי כדי לספק מאמרים טכניים חדשניים, POCs ו-MVPs. הוא עבד עם מספר סוכנויות פדרליות כדי לקדם את יעדי הנתונים וה-AI שלהם. תחומי המיקוד הנוספים של Nitin כוללים עיבוד שפה טבעית (NLP), צינורות נתונים ו-AI גנרטיבי.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- אודות
- להאיץ
- גישה
- פי
- דין וחשבון
- דיוק
- מדויק
- הושג
- השגתי
- ACM
- לרוחב
- בנוסף
- כתובת
- כתובות
- פְּנִיָה
- אימוץ
- לקדם
- סוכנויות
- סוכנות
- מצטבר
- הסכם
- AI
- תעשיות
- מאפשר
- גם
- אלצהיימר
- אמזון בעברית
- אמזון
- אמזון שירותי אינטרנט
- אמריקה
- בין
- an
- ניתוח
- ו
- גילוי חריגות
- כל
- API
- ישים
- חל
- גישה
- בערך
- ארכיטקטורה
- ארכיון
- ARE
- אזורים
- מתעורר
- סביב
- מאמר
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- AS
- אספקט
- הערכה
- לעזור
- עמית
- At
- המתקפות
- מחבר
- אוטיזם
- מכני עם סלילה אוטומטית
- זמין
- מְמוּצָע
- לְהִמָנַע
- רָחוֹק
- AWS
- איזון
- בסיס
- BE
- כי
- להיות
- התהוות
- היה
- לפני
- מאחור
- להיות
- בנצ 'מרק
- תועלת
- הטבות
- הטוב ביותר
- שיטות עבודה מומלצות
- בֵּין
- מעבר
- מְשׁוּחָד
- B
- בלוג
- תכנית אב
- חיזוק
- צַוַאר הַבַּקבּוּק
- גבולות
- מוֹחַ
- להביא
- לִבנוֹת
- בִּניָן
- ביורוקרטית
- עסקים
- אבל
- by
- CA
- CAN
- יכולות
- ללכוד
- אשר
- מקרה
- מקרים
- לגרום
- גורמים
- CCPA
- ה-CDC
- מְרוּכָּז
- מסוים
- לאתגר
- האתגרים
- רֹאשׁ
- בחרו
- קלרה
- לקוחות
- קליני
- CMS
- שיתוף פעולה
- איך
- מגיע
- Common
- תקשורת
- השוואה
- לעומת
- תאימות
- להיענות
- רכיבים
- חישוב
- לחשב
- מצב
- אמון
- תְצוּרָה
- הקשר
- התחשבות
- קונסולידציה
- אילוצים
- ייעוץ
- צרכן
- פרטיות צרכנית
- תוכן
- קשר
- תורם
- לִשְׁלוֹט
- התכנסות
- הומר
- ליבה
- שְׁחִיתוּת
- יקר
- יכול
- מדינה
- מכוסה
- קריטי
- מכריע
- מסורבל
- נוֹכְחִי
- כיום
- מנהג
- לקוחות
- שיא הטכנולוגיה
- אבטחת סייבר
- מחזור
- נזק
- נתונים
- ניתוח נתונים
- חילופי נתונים
- עיבוד נתונים
- הגנה על נתונים
- מדען נתונים
- אבטחת מידע
- שיתוף מידע
- מערכי נתונים
- יְוֹם
- מוות
- מבוזר
- קבלת החלטות
- החלטות
- עמוק
- למידה עמוקה
- למסור
- מַחלָקָה
- תלוי
- לפרוס
- פריסה
- לגזור
- מְתוּאָר
- מְפוֹרָט
- איתור
- לקבוע
- קביעה
- אבחון
- תרשים
- הבדל
- אחר
- דיגיטלי
- כיוון
- ישירות
- מוגבלויות
- לדון
- דיון
- מַחֲלָה
- מופץ
- הכשרה מבוזרת
- הפצה
- שונה
- רופאים
- תחום
- תחומים
- מטה
- dr
- ראוי
- משך
- בְּמַהֲלָך
- דינמי
- כל אחד
- בקלות
- קל
- קל לשימוש
- הדים
- יעילות
- יְעִילוּת
- יעיל
- ללא מאמץ
- מַאֲמָצִים
- אֶלֶקטרוֹנִי
- רשומות בריאות אלקטרוניות
- בוטלו
- חירום
- לאפשר
- מאפשר
- מה שמאפשר
- נקודת קצה
- הנדסה
- מועשר
- הבטחתי
- זן
- שלם
- תקופות
- הוֹגֶן
- במיוחד
- להעריך
- אֲפִילוּ
- כל
- כולם
- דוגמה
- דוגמאות
- חליפין
- מורחב
- ניסיון
- מומחה
- לחקור
- מוּרחָב
- נרחב
- ניסיון רב
- תמצית
- פָּנִים
- מהר יותר
- אפשרי
- תכונות
- פדרלי
- מאוחד
- מעטים
- שדה
- דמויות
- קבצים
- סופי
- חומות אש
- ראשון
- חמש
- גמיש
- להתמקד
- לעקוב
- הבא
- בעד
- להכריח
- בחזית
- טופס
- מצא
- מסגרת
- מסגרות
- בתדירות גבוהה
- החל מ-
- מלא
- נוסף
- יתר על כן
- GDPR
- כללי
- בדרך כלל
- גנרטטיבית
- AI Generative
- גיאוגרפי
- לקבל
- לתת
- גלוֹבָּלִי
- כדור הארץ
- Go
- מטרה
- שערים
- זהב
- תקן הזהב
- טוב
- ממשלה
- מנהיגי ממשלה
- גדול
- מְגוּדָל
- אוֹרֵחַ
- חומרה
- רתמות
- רתימה
- יש
- he
- בְּרִיאוּת
- מידע בריא
- בריאות
- לֵב
- כבד
- לעזור
- מועיל
- עוזר
- כאן
- ברמה גבוהה
- באיכות גבוהה
- להבליט
- מודגש
- מפריע
- שֶׁלוֹ
- מחזיק
- בית חולים
- בתי חולים
- אירוח
- שעות
- איך
- אולם
- HTML
- http
- HTTPS
- משוכות
- רעיון
- זהות
- IEEE
- if
- להמחיש
- מדגים
- תמונה
- תמונות
- הדמיה
- פְּגִיעָה
- בר - השפעה
- ליישם
- הפעלה
- יישום
- חשוב
- לשפר
- שיפורים
- שיפור
- in
- לֹא מְדוּיָק
- בע"מ
- לכלול
- כולל
- כולל
- בע"מ
- שילוב
- בנפרד
- מידע
- הודעה
- מודיע
- תשתית
- יוזמה
- חדשני
- תובנות
- לעורר
- מכון
- מוסדות
- ביטוח
- השתלבות
- מוֹדִיעִין
- ברמה בינלאומית
- אינטרנט
- יכולת פעולה הדדית
- אל תוך
- מְבוּדָד
- בעיות
- IT
- שֶׁלָה
- להצטרף
- jpeg
- jpg
- רק
- שמירה
- ידע
- ידוע
- קומאר
- תיוג
- שפה
- גָדוֹל
- בקנה מידה גדול
- האחרון
- חוקים
- עוֹפֶרֶת
- מנהיג
- מנהיגים
- מוביל
- Leap
- למידה
- יציאה
- מוֹרֶשֶׁת
- רמה
- ספריות
- סִפְרִיָה
- החיים
- מעגל החיים
- קַל מִשְׁקָל
- כמו
- הגבלה
- רשימה
- חי
- מקומי
- מקומות
- לטווח ארוך
- עוד
- להפסיד
- מגרש
- מכונה
- למידת מכונה
- מכונה
- לתחזק
- לעשות
- עושה
- עשייה
- זדוני
- ניהול
- מדריך ל
- רב
- מַפָּה
- מיפוי
- מסצ'וסטס
- המכון הטכנולוגי של מסצ'וסטס
- מסיבי
- מקסימום
- מאי..
- רפואי
- נתונים רפואיים
- Medicare
- רפואה
- מפגש
- מוּזְכָּר
- למזג
- מידע נוסף
- שיטות
- יכול
- דקות
- MIT
- ML
- מודל
- דוגמנות
- מודלים
- יותר
- רוב
- הכי פופולארי
- נע
- MRI
- הרבה
- רב מפלגות
- מספר
- צריך
- MVPs
- לאומי
- המכונים הלאומיים לבריאות
- טבעי
- עיבוד שפה טבעית
- טבע
- צורך
- נחוץ
- צרכי
- רשתות
- נוירונים
- חדש
- חדש יותר
- NIH
- NLP
- לא
- צומת
- צפון
- צפון אמריקה
- עַכשָׁיו
- מספר
- Nvidia
- מכשול
- מכשולים
- of
- הַצָעָה
- הצעה
- המיוחדות שלנו
- קצינים
- לעתים קרובות
- on
- ONE
- באינטרנט
- דעות
- אופטימיזציה
- אפשרויות
- or
- ארגון
- ארגונים
- אחר
- אַחֶרֶת
- בחוץ
- יותר
- התגברות
- ממעל
- חֲפִיפָה
- סקירה
- שֶׁלוֹ
- מאמר
- ניירות
- המשתתפים
- משתתף
- צדדים
- צד
- עבר
- חולה
- חולים
- תבנית
- דפוסי
- פנסילבניה
- אֲנָשִׁים
- ביצועים
- אדם
- אישי
- מידע אישי
- שלב
- טייסים
- צינור
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- רעלת
- מדיניות
- מדיניות
- פוליטי
- פופולרי
- הִטַלטְלוּת
- פוזה
- אפשרי
- הודעה
- פוטנציאל
- כּוֹחַ
- כוחות
- פרקטיקות
- דיוק
- התחזיות
- מקדים
- העריכה
- למנוע
- מניעה
- יְסוֹדִי
- פְּרָטִיוּת
- פרטיות ואבטחה
- פְּרָטִי
- בעיה
- בעיות
- תהליך
- תהליכים
- תהליך
- אנשי מקצוע
- פרויקטים
- הבטחה
- פרופורציה
- להציע
- מוּצָע
- קניינית
- מוּגָן
- .
- prototyping
- מספק
- מתן
- ציבורי
- בפומבי
- רכישה
- גם
- איכות
- מָהִיר
- מהירות
- דַי
- לצטט
- R & D
- באופן קיצוני
- טווחים
- חי
- RE
- לְהַגִיעַ
- ממשי
- עולם אמיתי
- סיבות
- לאחרונה
- הכרה
- רשום
- חוזר ונשנה
- להפחית
- להתייחס
- מכונה
- רגיל
- באופן קבוע
- מוסדר
- תקנון
- קָשׁוּר
- אָמִין
- הסרת
- מאגר
- נציגות
- דרישות
- מחקר
- מוסדות מחקר
- חוקרים
- לפתור
- משאבים
- אלה
- אחריות
- אחראי
- הגבלות
- תוצאה
- תוצאות
- עשיר
- חָסוֹן
- תפקידים
- שורש
- בעל חכמים
- אותו
- לִטעוֹם
- שמור
- חסכת
- בקרת מערכות ותקשורת
- סריקות
- פזור
- תרחישים
- תזמון
- מַדְעָן
- בצורה חלקה
- בצורה חלקה
- שְׁנִיָה
- משני
- סעיפים
- מגזר
- לבטח
- אבטחה
- בטח
- פילוח
- מבחר
- רגיש
- שרתים
- שירותים
- סטים
- הגדרות
- כמה
- שיתוף
- משותף
- שיתוף
- לְהַצִיג
- הראה
- משמעותי
- באופן משמעותי
- ממגורות
- דומה
- באופן דומה
- פָּשׁוּט
- יחיד
- אתרים
- ישיבה
- מידה
- קטן
- So
- חֶברָה
- פִּתָרוֹן
- פתרונות
- כמה
- לפעמים
- מָקוֹר
- מֶרחָב
- ספציפי
- במיוחד
- סגל
- בעלי עניין
- תֶקֶן
- תקנים
- התחלה
- החל
- הברית
- סטטיסטי
- צעדים
- עוד
- אחסון
- מאוחסן
- פשוט
- נושא
- המשנה
- תמיכה
- מערכת
- מערכות
- לקחת
- לוקח
- המשימות
- משימות
- צוותי
- טק
- טכני
- טכנולוגיות
- טכנולוגיה
- tensorflow
- נבדק
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- המקור
- העולם
- שֶׁלָהֶם
- אותם
- נושא
- שם.
- בכך
- לכן
- אלה
- הֵם
- צד שלישי
- זֶה
- אלה
- דרך
- הידוק
- זמן
- פִּי
- ל
- יַחַד
- אסימון
- גַם
- כלים
- חלק עליון
- לקראת
- מעקב
- מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- רכבות
- להעביר
- לשנות
- הפיכה
- מעבר
- טופל
- טיפול
- מהימן
- Uk
- ללא דעות מוקדמות
- תחת
- מאוחד
- יחידה
- משולב
- מאוחד
- ארצות הברית
- אוניברסיטאות
- אוניברסיטה
- בניגוד
- נעילה
- שֶׁלֹא נוּצַל
- מְעוּדכָּן
- על
- us
- שָׁמִישׁ
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- אימוץ משתמש
- שימושים
- באמצעות
- בעל ערך
- ערך
- וריאציות
- שונים
- ספקים
- באמצעות
- קורבנות
- וירטואלי
- רוצה
- דֶרֶך..
- we
- אינטרנט
- שירותי אינטרנט
- טוֹב
- גַלגַל
- מתי
- אם
- אשר
- בזמן
- למה
- נָפוֹץ
- עם
- בתוך
- לְלֹא
- מילים
- תיק עבודות
- עבד
- עובד
- עובד
- עוֹלָם
- היה
- כתוב
- שנה
- שנים
- עוד
- אתה
- זפירנט