의료영상 분석은 질병을 진단하고 치료하는데 중요한 역할을 합니다. 기계 학습(ML) 기술을 사용하여 이 프로세스를 자동화하는 기능을 통해 의료 전문가는 특정 암, 관상 동맥 질환 및 안과 질환을 보다 신속하게 진단할 수 있습니다. 그러나 이 분야의 임상의와 연구자가 직면한 주요 과제 중 하나는 이미지 분류를 위한 ML 모델을 구축하는 데 시간이 많이 걸리고 복잡한 특성이 있다는 것입니다. 기존 방법에는 코딩 전문 지식과 ML 알고리즘에 대한 광범위한 지식이 필요하며 이는 많은 의료 전문가에게 장벽이 될 수 있습니다.
이러한 격차를 해소하기 위해 우리는 다음을 사용했습니다. Amazon SageMaker 캔버스는 의료 임상의가 코딩이나 전문 지식 없이도 ML 모델을 구축하고 배포할 수 있는 시각적 도구입니다. 이 사용자 친화적인 접근 방식은 ML과 관련된 가파른 학습 곡선을 제거하여 임상의가 환자에게 집중할 수 있도록 해줍니다.
Amazon SageMaker Canvas는 ML 모델 생성을 위한 드래그 앤 드롭 인터페이스를 제공합니다. 임상의는 사용하려는 데이터를 선택하고 원하는 출력을 지정한 다음 모델이 자동으로 구축되고 훈련되는 과정을 지켜볼 수 있습니다. 모델이 훈련되면 정확한 예측이 생성됩니다.
이 접근 방식은 ML을 사용하여 진단 및 치료 결정을 개선하려는 의료 임상의에게 이상적입니다. Amazon SageMaker Canvas를 사용하면 ML 전문가가 아니더라도 ML의 강력한 기능을 사용하여 환자를 도울 수 있습니다.
의료 이미지 분류는 환자 결과와 의료 효율성에 직접적인 영향을 미칩니다. 의료 영상을 시의적절하고 정확하게 분류하면 질병을 조기에 발견하여 효과적인 치료 계획 및 모니터링에 도움이 됩니다. 또한 Amazon SageMaker Canvas와 같은 액세스 가능한 인터페이스를 통한 ML의 민주화를 통해 광범위한 기술적 배경이 없는 전문가를 포함하여 더 광범위한 의료 전문가가 의료 이미지 분석 분야에 기여할 수 있습니다. 이러한 포괄적인 접근 방식은 협업과 지식 공유를 촉진하고 궁극적으로 의료 연구의 발전과 환자 치료 개선으로 이어집니다.
이 게시물에서는 의료 이미지 분류에서 Amazon SageMaker Canvas의 기능을 살펴보고, 그 이점에 대해 논의하고, 의료 진단에 미치는 영향을 보여주는 실제 사용 사례를 강조하겠습니다.
유스 케이스
피부암은 심각하고 잠재적으로 치명적인 질병이므로 조기에 발견할수록 성공적인 치료 가능성이 높아집니다. 통계적으로 피부암(예: 기저세포암종 및 편평세포암종)은 가장 흔한 암 유형 중 하나이며 수십만 명의 사망을 초래합니다. 전세계적인 매년. 이는 피부 세포의 비정상적인 성장을 통해 나타납니다.
그러나 조기 진단을 통해 회복 가능성이 크게 높아집니다. 더욱이 수술, 방사선 촬영 또는 화학요법 치료법이 불필요해지거나 전반적인 사용량이 줄어들어 의료 비용을 줄이는 데 도움이 될 수 있습니다.
피부암 진단 과정은 피부 병변의 일반적인 모양, 크기 및 색상 특성을 검사하는 피부경검사[1]라는 절차로 시작됩니다. 그런 다음 의심되는 병변은 암세포 유형을 확인하기 위해 추가 샘플링 및 조직학적 테스트를 거칩니다. 의사들은 피부암을 발견하기 위해 육안 검출부터 시작하여 다양한 방법을 사용합니다. 미국 피부과 연구 센터는 흑색종의 가능한 형태에 대한 가이드를 개발했습니다. ABCD (비대칭성, 경계선, 색상, 직경)이며 의사가 질병의 초기 검사를 위해 사용합니다. 의심되는 피부 병변이 발견되면 의사는 피부에 보이는 병변의 생검을 실시하고 현미경으로 검사하여 양성 또는 악성 진단과 피부암 유형을 확인합니다. 컴퓨터 비전 모델은 의심스러운 점이나 병변을 식별하는 데 중요한 역할을 할 수 있으므로 더 빠르고 정확한 진단이 가능합니다.
암 탐지 모델을 생성하는 것은 아래에 설명된 것처럼 다단계 프로세스입니다.
- 다양한 유형의 암성 또는 전암성 병변이 있는 건강한 피부와 피부로부터 대규모 이미지 데이터세트를 수집합니다. 이 데이터 세트는 정확성과 일관성을 보장하기 위해 신중하게 선별되어야 합니다.
- 컴퓨터 비전 기술을 사용하여 이미지를 전처리하고 관련 추출을 수행하여 건강한 피부와 암성 피부를 구별합니다.
- 다양한 피부 유형을 구별하도록 모델을 가르치는 지도 학습 접근 방식을 사용하여 전처리된 이미지에 대해 ML 모델을 훈련합니다.
- 정밀도, 재현율 등 다양한 지표를 사용하여 모델의 성능을 평가하여 암성 피부를 정확하게 식별하고 오탐지를 최소화하는지 확인하세요.
- 피부과 전문의 및 기타 의료 전문가가 피부암 감지 및 진단에 사용할 수 있는 사용자 친화적인 도구에 모델을 통합합니다.
전반적으로 피부암 탐지 모델을 처음부터 개발하는 과정에는 일반적으로 상당한 리소스와 전문 지식이 필요합니다. 여기서 Amazon SageMaker Canvas는 2~5단계의 시간과 노력을 단순화하는 데 도움이 됩니다.
솔루션 개요
코드를 작성하지 않고 피부암 컴퓨터 비전 모델 생성을 시연하기 위해 Harvard Dataverse에서 게시한 피부경 검사 피부암 이미지 데이터 세트를 사용합니다. 우리는 다음에서 찾을 수 있는 데이터 세트를 사용합니다. 햄10000 10,015개의 피부경 사진으로 구성되어 피부암 종류를 예측하는 피부암 분류 모델을 구축합니다. 데이터 세트에 대한 몇 가지 핵심 사항은 다음과 같습니다.
- 데이터 세트는 학문적 ML 목적을 위한 훈련 세트로 사용됩니다.
- 여기에는 색소 병변 영역의 모든 중요한 진단 범주에 대한 대표적인 컬렉션이 포함되어 있습니다.
- 데이터 세트의 몇 가지 범주는 다음과 같습니다: 광선 각화증 및 상피내 암종/보웬병(akiec), 기저 세포 암종(bcc), 양성 각화증 유사 병변(일광 흑색점/지루성 각화증 및 각화증과 같은 편평태선, bkl), 피부섬유종( df), 흑색종(mel), 멜라닌세포 모반(nv) 및 혈관 병변(혈관종, 혈관각화종, 화농성 육아종 및 출혈, 혈관)
- 데이터 세트의 병변 중 50% 이상이 조직병리학(histo)을 통해 확인됩니다.
- 나머지 사건에 대한 근거 진실은 후속 조사를 통해 결정됩니다(
follow_up
), 전문가 합의(합의) 또는 확인 생체내에서 공초점 현미경(공초점). - 데이터 세트에는 여러 이미지가 포함된 병변이 포함되어 있으며, 이를 사용하여 추적할 수 있습니다.
lesion_id
내의 열HAM10000_metadata
파일.
Amazon SageMaker Canvas를 사용하여 코드를 작성하지 않고도 여러 피부암 카테고리에 대한 이미지 분류를 단순화하는 방법을 보여줍니다. 피부 병변 이미지가 주어지면 SageMaker Canvas 이미지 분류는 자동으로 이미지를 양성 암 또는 암 가능성으로 분류합니다.
사전 조건
- 액세스 AWS 단계 섹션에 설명된 리소스를 생성할 수 있는 권한이 있는 계정입니다.
- AWS ID 및 액세스 관리(AWS IAM) 사용자 Amazon SageMaker를 사용할 수 있는 전체 권한이 있습니다.
연습
- SageMaker 도메인 설정
- 설명된 단계를 사용하여 Amazon SageMaker 도메인을 생성합니다. 여기에서 지금 확인해 보세요..
- 를 다운로드 햄10000 데이터 세트.
- 데이터 세트 설정
- Amazon Simple Storage Service 생성(아마존 S3) 고유한 이름을 가진 버킷입니다.
image-classification-<ACCOUNT_ID>
여기서 ACCOUNT_ID는 고유한 AWS AccountNumber입니다. - 이 버킷에 두 개의 폴더를 만듭니다.
training-data
및test-data
. - 훈련 데이터 아래에 데이터 세트에서 식별된 각 피부암 범주에 대해 XNUMX개의 폴더를 만듭니다.
akiec
,bcc
,bkl
,df
,mel
,nv
및vasc
. - 데이터 세트에는 여러 이미지가 포함된 병변이 포함되어 있으며 이를 추적할 수 있습니다.
lesion_id-column
이내HAM10000_metadata
파일. 사용하여lesion_id-column
, 해당 이미지를 오른쪽 폴더에 복사합니다(즉, 각 분류에 대해 100개의 이미지로 시작할 수 있습니다).
- Amazon Simple Storage Service 생성(아마존 S3) 고유한 이름을 가진 버킷입니다.
- Amazon SageMaker 캔버스 사용
- 로 이동 아마존 세이지 메이커 콘솔에서 서비스를 선택하고 캔버스 목록에서. 캔버스 페이지에 접속한 후 다음을 선택하세요. 오픈 캔버스 버튼을 클릭합니다.
- Canvas 페이지에 있으면 내 모델 그런 다음 최신 모델 화면 오른쪽에 있습니다.
- 새 팝업 창이 열리며 여기에 이름을 지정합니다. 이미지_분류 모델 이름으로 입력하고 아래에서 이미지 분석을 선택합니다. 문제 유형.
- 데이터세트 가져오기
- 다음 페이지에서 다음을 선택하세요. 데이터 세트 만들기 팝업 상자에서 데이터세트 이름을 다음과 같이 지정합니다. 이미지_분류 선택하고 만들기 버튼을 클릭합니다.
- 다음 페이지에서 데이터 소스 에 아마존 S3. 이미지를 직접 업로드할 수도 있습니다(예: 로컬 업로드).
- 선택시 아마존 S3을 클릭하면 계정에 있는 버킷 목록이 표시됩니다. 데이터 세트를 하위 폴더에 보관하는 상위 버킷을 선택합니다(예: 이미지 분류-2023 선택 데이터 가져 오기 단추. 이를 통해 Amazon SageMaker Canvas는 폴더 이름을 기반으로 이미지에 신속하게 레이블을 지정할 수 있습니다.
- 데이터 세트를 성공적으로 가져오면 상태 열의 값이 다음으로 변경되는 것을 볼 수 있습니다. 준비 에 처리.
- 이제 다음을 선택하여 데이터세트를 선택하세요. 데이터 세트 선택 페이지 하단에 있습니다.
- 모델 구축
- 에 짓다 페이지에서 Amazon S3의 폴더 이름에 따라 가져오고 레이블이 지정된 데이터가 표시됩니다.
- 선택 빠른 빌드 버튼(즉, 다음 이미지에서 빨간색으로 강조 표시된 콘텐츠)을 클릭하면 모델을 구축하는 두 가지 옵션이 표시됩니다. 첫 번째는 빠른 빌드 그리고 두 번째는 표준 빌드. 이름에서 알 수 있듯이 빠른 구축 옵션은 정확성보다 속도를 제공하며 모델을 구축하는 데 약 15~30분이 소요됩니다. 표준 구축은 속도보다 정확성을 우선시하며 모델 구축을 완료하는 데 45분에서 4시간이 소요됩니다. 표준 빌드는 다양한 하이퍼파라미터 조합을 사용하여 실험을 실행하고 백엔드에서 많은 모델을 생성한 다음(SageMaker Autopilot 기능 사용) 가장 적합한 모델을 선택합니다.
- 선택 표준 빌드 모델 구축을 시작합니다. 완료하는 데 약 2~5시간이 걸립니다.
- 모델 구축이 완료되면 그림 11과 같이 예상 정확도를 확인할 수 있습니다.
- 당신이 선택하는 경우 점수 탭을 클릭하면 모델 정확도에 대한 통찰력을 얻을 수 있습니다. 또한, 우리는 고급 메트릭 온 버튼 점수 탭을 클릭하면 정밀도, 재현율, F1 점수(클래스 균형을 고려한 균형 잡힌 정확성 척도)를 볼 수 있습니다.
- Amazon SageMaker Canvas가 표시하는 고급 지표는 모델이 데이터에 대해 숫자, 범주, 이미지, 텍스트 또는 시계열 예측 예측을 수행하는지 여부에 따라 달라집니다. 이 경우 암 감지를 놓치는 것이 정확한 감지보다 훨씬 더 위험하기 때문에 정밀도보다 재현성이 더 중요하다고 생각합니다. 2범주 예측이나 3범주 예측과 같은 범주형 예측은 분류의 수학적 개념을 의미합니다. 그만큼 고급 측정항목 재현율은 모든 실제 긍정(TP + 거짓 부정) 중 참 긍정(TP)의 비율입니다. 모델에 의해 양성으로 올바르게 예측된 양성 사례의 비율을 측정합니다. 이것을 참고해주세요 Amazon SageMaker Canvas 고급 지표에 대한 심층 분석 고급 측정항목에 대해 자세히 알아보세요.
이로써 Amazon SageMaker Canvas의 모델 생성 단계가 완료되었습니다.
- 모델 테스트
- 이제 다음을 선택할 수 있습니다. 예측 버튼을 클릭하면 예측 페이지를 통해 자신의 이미지를 업로드할 수 있습니다. 단일 예측 or 일괄 예측. 원하는 옵션을 설정하고 선택해주세요. 수입 이미지를 업로드하고 모델을 테스트합니다.
- 단일 이미지 예측부터 시작해 보겠습니다. 당신이에 있는지 확인하십시오 단일 예측 선택하고 이미지 가져오기. 그러면 이미지를 업로드할 위치를 선택할 수 있는 대화 상자가 나타납니다. 아마존 S3, 또는 로컬 업로드. 우리의 경우에는 다음을 선택합니다. 아마존 S3 테스트 이미지가 있는 디렉터리를 찾아 이미지를 선택합니다. 그런 다음 선택 데이터 가져 오기.
- 선택하면 화면에 다음과 같은 내용이 표시됩니다. 예측 결과 생성. 아래와 같이 몇 분 안에 결과를 얻을 수 있습니다.
- 이제 일괄 예측을 시도해 보겠습니다. 선택하다 일괄 예측 아래에 예측 실행 선택하고 새 데이터세트 가져오기 버튼을 누르고 이름을 지정하세요. 일괄 예측 과 충돌 만들기 버튼을 클릭합니다.
- 다음 창에서 Amazon S3 업로드를 선택했는지 확인하고 테스트 세트가 있는 디렉터리를 찾아 선택합니다. 데이터 가져 오기 버튼을 클릭합니다.
- 이미지가 들어가고 나면 준비 상태에서 생성된 데이터세트에 대한 라디오 버튼을 선택하고 예측 생성을 선택합니다. 이제 일괄 예측 일괄 처리의 상태가 표시됩니다. 예측 생성. 결과가 나올 때까지 몇 분 정도 기다려 보겠습니다.
- 일단 상태는 준비 상태에서 모든 이미지에 대한 자세한 예측을 보여주는 페이지로 이동하는 데이터세트 이름을 선택하세요.
- 배치 예측의 또 다른 중요한 기능은 결과를 확인하고 추가 사용 또는 공유를 위해 예측을 zip 또는 csv 파일로 다운로드할 수 있다는 것입니다.
이를 통해 성공적으로 모델을 생성하고 훈련하고 Amazon SageMaker Canvas를 사용하여 예측을 테스트할 수 있었습니다.
청소
왼쪽 메뉴에서 로그아웃 왼쪽 탐색 창에서 Amazon SageMaker Canvas 애플리케이션에서 로그아웃하여 소비를 중지합니다. SageMaker Canvas 작업 공간 인스턴스 시간 모든 리소스를 해제합니다.
소환
[1]프라이완 M, 파우리 E. 심층 전이 학습을 이용한 피부암 자동 검출 및 분류에 관한 연구. 센서(바젤). 2022년 30월 22일 13(4963):10.3390. 도이: 22134963/s35808463. PMID: 9269808; PMCID: PMCXNUMX.
결론
이번 포스팅에서는 ML 기법을 활용한 의료영상 분석이 어떻게 피부암 진단을 가속화할 수 있는지, 그리고 이를 다른 질병 진단에 적용할 수 있는지 보여드렸습니다. 그러나 이미지 분류를 위한 ML 모델을 구축하는 것은 코딩 전문 지식과 ML 지식이 필요하기 때문에 복잡하고 시간이 많이 걸리는 경우가 많습니다. Amazon SageMaker Canvas는 코딩이나 전문적인 ML 기술이 필요하지 않은 시각적 인터페이스를 제공하여 이러한 문제를 해결했습니다. 이를 통해 의료 전문가는 가파른 학습 곡선 없이 ML을 사용할 수 있어 환자 치료에 집중할 수 있습니다.
암 탐지 모델을 개발하는 전통적인 과정은 번거롭고 시간이 많이 걸립니다. 여기에는 큐레이트된 데이터 세트 수집, 이미지 전처리, ML 모델 교육, 성능 평가, 의료 전문가를 위한 사용자 친화적인 도구에 통합이 포함됩니다. Amazon SageMaker Canvas는 전처리부터 통합까지의 단계를 단순화하여 피부암 탐지 모델을 구축하는 데 필요한 시간과 노력을 줄였습니다.
이 게시물에서는 의료 이미지를 분류하고 그 이점을 조명하며 의료 진단에 지대한 영향을 미치는 실제 사용 사례를 제시하는 Amazon SageMaker Canvas의 강력한 기능을 살펴보았습니다. 우리가 조사한 설득력 있는 사용 사례 중 하나는 피부암 발견과 조기 진단이 치료 결과를 크게 향상시키고 의료 비용을 줄이는 방법이었습니다.
모델의 정확도는 훈련 데이터세트의 크기, 사용된 특정 모델 유형 등의 요인에 따라 달라질 수 있다는 점을 인정하는 것이 중요합니다. 이러한 변수는 분류 결과의 성능과 신뢰성을 결정하는 역할을 합니다.
Amazon SageMaker Canvas는 의료 전문가가 더 정확하고 효율적으로 질병을 진단할 수 있도록 지원하는 귀중한 도구 역할을 할 수 있습니다. 그러나 이는 의료 전문가의 전문 지식과 판단을 대체하기 위한 것이 아니라는 점에 유의하는 것이 중요합니다. 오히려 역량을 강화하고 보다 정확하고 신속한 진단을 가능하게 함으로써 역량을 강화합니다. 인간적 요소는 의사 결정 과정에서 여전히 필수적이며 의료 전문가와 Amazon SageMaker Canvas를 포함한 인공 지능(AI) 도구 간의 협업은 최적의 환자 치료를 제공하는 데 중추적입니다.
저자 소개
라마칸트 조시 분석 및 서버리스 도메인을 전문으로 하는 AWS 솔루션스 아키텍트입니다. 그는 소프트웨어 개발 및 하이브리드 아키텍처에 대한 배경 지식을 갖고 있으며 고객이 클라우드 아키텍처를 현대화하도록 돕는 데 열정을 쏟고 있습니다.
제이크 웬 기계 학습, 자연어 처리 및 딥 러닝에 대한 열정을 바탕으로 AWS의 솔루션스 아키텍트입니다. 그는 기업 고객이 클라우드에서 현대화 및 확장 가능한 배포를 달성하도록 지원합니다. 기술 세계 외에도 Jake는 스케이트보드, 하이킹, 드론 조종 등의 즐거움을 찾습니다.
소누 쿠마르 싱 분석 분야를 전문으로 하는 AWS 솔루션스 아키텍트입니다. 그는 데이터 기반 의사 결정을 지원하여 혁신과 성장을 촉진함으로써 조직의 혁신적인 변화를 촉진하는 데 중요한 역할을 해왔습니다. 그는 자신이 디자인하거나 창조한 것이 긍정적인 영향을 미칠 때 그것을 즐깁니다. AWS에서 그의 의도는 고객이 AWS의 200개 이상의 클라우드 서비스에서 가치를 추출하고 클라우드 여정에서 역량을 강화하도록 돕는 것입니다.
다리우시 아지미 기계 학습, 자연어 처리(NLP) 및 Kubernetes를 사용한 마이크로서비스 아키텍처를 전문으로 하는 AWS의 솔루션 아키텍트입니다. 그의 임무는 데이터 저장, 접근성, 분석 및 예측 기능을 포괄하는 포괄적인 엔드투엔드 솔루션을 통해 조직이 데이터의 잠재력을 최대한 활용할 수 있도록 지원하는 것입니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :있다
- :이다
- :어디
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- 능력
- 할 수 있는
- 소개
- 학술
- ACCESS
- 접근성
- 얻기 쉬운
- 계정
- 정확한
- 정확히
- 달성
- 인정
- 실제
- 주소
- 해결 된
- 전진
- 많은
- 발전
- AI
- 도움
- AIR
- 알고리즘
- All
- 허용
- 수
- 또한
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 캔버스
- Amazon Web Services
- 미국 사람
- an
- 분석
- 분석
- 및
- 어떤
- 어플리케이션
- 접근
- 아키텍처
- 있군요
- 약
- 인조의
- 인공 지능
- 인공 지능(AI)
- AS
- 어시스트
- 관련
- At
- 자동화
- Automatic
- 자동적으로
- AWS
- 백엔드
- 배경
- 배경
- 잔액
- 장벽
- 기반으로
- 바젤
- BE
- 때문에
- 된
- 믿으세요
- 이하
- 혜택
- BEST
- 더 나은
- 사이에
- 그 너머
- 경계
- 바닥
- 보물상자
- 돋보이게
- 더 넓은
- 빌드
- 건물
- 빌드
- 단추
- by
- 라는
- CAN
- 게자리
- 캔버스
- 기능
- 한
- 면밀히
- 케이스
- 가지 경우
- 촉매 작용
- 카테고리
- 셀
- 센터
- 어떤
- 도전
- 과제
- 기회
- 승산
- 이전 단계로 돌아가기
- 특성
- 선택
- 왼쪽 메뉴에서
- 선택
- 수업
- 수업
- 분류
- 임상
- 클라우드
- 클라우드 서비스
- 암호
- 코딩
- 협동
- 수집
- 색
- 단
- 조합
- 공통의
- 강요하는
- 완전한
- 완료
- 복잡한
- 포괄적 인
- 컴퓨터
- 컴퓨터 비전
- 개념
- 조건
- 확인
- 확인 됨
- 일치
- 구성
- 콘솔에서
- 소비
- 함유량
- 기여하다
- 수정
- 동
- 비용
- 수
- 만들
- 만든
- 만들기
- 창조
- 결정적인
- 성가신
- 기획
- 곡선
- 고객
- 위험한
- 데이터
- 데이터 저장
- 데이터 중심
- 데이터버스
- 사망
- 의사 결정
- 결정
- 깊은
- 심해 잠수
- 깊은 학습
- 기쁨
- 민주화
- 보여
- 의존
- 배포
- 전개
- 기술 된
- 설계
- 원하는
- 상세한
- 검색
- 탐지 된
- Detection System
- 결정된
- 결정
- 개발
- 개발
- 개발
- 다이얼로그
- 다른
- 구별 짓다
- 직접
- 토론
- 질병
- 질병
- 드러내다
- 잠수
- do
- 의사
- 의사
- 하기
- 도메인
- 다운로드
- 대폭적으로
- 구동
- 드론
- e
- 마다
- 이전
- 초기의
- 유효한
- 효율성
- 노력
- 요소
- 거림
- 고용 된
- 능력을 키우다
- 힘을 실어
- 수
- 가능
- 포함
- 끝으로 종료
- 강화
- 확인
- Enterprise
- 필수
- 예상
- 평가
- 시험
- 신속히 처리하다
- 실험
- 전문가
- 전문적 지식
- 탐험
- 탐험 한
- 광대 한
- 추출물
- f1
- 직면
- 요인
- 그릇된
- 멀리
- 특색
- 를
- 들
- 그림
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- finds
- 먼저,
- 초점
- 수행원
- 럭셔리
- 위탁
- 발견
- 분수
- 에
- 가득 찬
- 기능
- 추가
- 갭
- 모임
- 일반
- 생성
- 생성
- 얻을
- 주어진
- 큰
- 육로
- 성장
- 안내
- 마구
- 하버드
- 있다
- he
- 건강 관리
- 건강은 물론, 경제성까지!
- 도움
- 도움이
- 강조
- 그의
- 히트
- 보유
- 진료 시간
- 방법
- How To
- 그러나
- HTML
- HTTPS
- 사람의
- 인간 요소
- 수백
- 잡종
- i
- 이상
- 확인
- 식별하다
- 확인
- 통합 인증
- if
- 영상
- 이미지 분류
- 형상
- 영향
- 영향
- import
- 중대한
- 개선
- 개선하는
- in
- 포함
- 포함
- 포함한
- 증가
- 처음에는
- 혁신
- 통찰력
- 예
- 조격
- 통합
- 완성
- 인텔리전스
- 예정된
- 의지
- 인터페이스
- 인터페이스
- 으로
- 헤아릴
- IT
- 그
- 그 자체
- 여행
- JPG
- 키
- 지식
- 쿠마
- 라벨
- 라벨
- 언어
- 넓은
- 오퍼
- 배우기
- 왼쪽 (left)
- 빛
- 처럼
- 명부
- 리스팅
- 기록
- 기계
- 기계 학습
- 확인
- 구축
- .
- 수학의
- XNUMX월..
- 측정
- 조치들
- 의료
- 방법
- 통계
- 현미경 사용
- 마이크로 서비스
- 최소화하다
- 회의록
- 누락
- Mission
- ML
- 모델
- 모델
- 현대화
- 모니터링
- 배우기
- 또한
- 가장
- 여러
- name
- 이름
- 자연의
- 자연 언어 처리
- 자연
- 이동
- 카테고리
- 필요
- 필요
- 요구
- 부정
- 신제품
- 다음 것
- NIH
- nlp
- 지금
- NV
- 사물
- of
- 자주
- on
- 일단
- ONE
- 열립니다
- 최적의
- 선택권
- 옵션
- or
- 조직
- 기타
- 우리의
- 아웃
- 결과
- 설명
- 출력
- 위에
- 전체
- 자신의
- 페이지
- 빵
- 열정
- 열렬한
- 환자
- 환자
- 용
- 성능
- 수행하다
- 권한
- 추천
- 조종사
- 추축의
- 계획
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연극
- 재생
- 부디
- 전철기
- 팝업
- 긍정적인
- 가능한
- 게시하다
- 가능성
- 잠재적으로
- 힘
- 강한
- 정확한
- Precision
- 예측
- 예측
- 예측
- 예측
- 제시
- 우선 순위
- 순서
- 방법
- 처리
- 전문가
- 깊은
- 비율
- 제공
- 제공
- 제공
- 출판
- 목적
- 빠른
- 빨리
- 라디오
- 범위
- 차라리
- 현실 세계
- 왕국
- 회복
- 감소
- 감소
- 감소
- 참조
- 의미
- 공개
- 관련된
- 신뢰성
- 유적
- 교체
- 대리인
- 필요
- 필수
- 필요
- 연구
- 연구원
- 제품 자료
- REST
- 결과
- 연락해주세요
- 직위별
- 실행
- 현자
- 라고
- 확장성
- 점수
- 할퀴다
- 화면
- 전형
- 둘째
- 섹션
- 참조
- 선택된
- 센서
- 연속
- 진지한
- 서브
- 서버리스
- 봉사하다
- 서비스
- 서비스
- 세트
- 일곱
- 셰이프
- 공유
- 교대
- 영상을
- 소개
- 보여
- 표시
- 쇼
- 상당한
- 크게
- 단순, 간단, 편리
- 단순화
- 단순화
- 단일
- 크기
- 기술
- 피부
- 소프트웨어
- 소프트웨어 개발
- 태양의
- 해결책
- 솔루션
- 무언가
- 전문
- 전문
- 구체적인
- 속도
- 표준
- 스타트
- 시작 중
- 시작
- 주 정부
- Status
- 단계
- 단계
- 중지
- 저장
- 교육과정
- 성공한
- 성공적으로
- 이러한
- 제안
- 확인
- 수술
- 의심 많은
- 소요
- 복용
- 기술
- 테크니컬
- 기법
- test
- 테스트
- 본문
- 보다
- 그
- XNUMXD덴탈의
- 그들의
- 그들
- 그때
- 그곳에.
- 그것에 의하여
- Bowman의
- 그들
- 이
- 그
- 수천
- 을 통하여
- 시간
- 시계열
- 시간이 많이 걸리는
- 적시에
- 에
- 수단
- 검색을
- tp
- 전통적인
- Train
- 훈련 된
- 트레이닝
- 기차
- 이전
- 변형
- 치료
- 치료
- 참된
- 진실
- 시도
- 두
- 유형
- 유형
- 일반적으로
- 궁극적으로
- 아래에
- 받다
- 유일한
- 불필요한
- 용법
- 사용
- 유스 케이스
- 익숙한
- 사용하기 쉬운
- 사용
- 가치 있는
- 가치
- 종류
- 여러
- 확인
- 관측
- 눈에 보이는
- 시력
- 필수
- 기다리다
- 필요
- 였다
- 손목 시계
- we
- 웹
- 웹 서비스
- 했다
- 언제
- 여부
- 어느
- 누구
- 창
- 과
- 이내
- 없이
- 워크숍
- 세계
- 쓰기
- year
- 자신의
- 너의
- 제퍼 넷
- 지퍼