Dit is een gastblogpost geschreven door Nitin Kumar, een Lead Data Scientist bij T and T Consulting Services, Inc.
In dit bericht bespreken we de waarde en potentiรซle impact van federatief leren in de gezondheidszorg. Deze aanpak kan patiรซnten, artsen en onderzoekers met een hartaanval helpen met een snellere diagnose, verrijkte besluitvorming en beter geรฏnformeerd, inclusief onderzoek naar gezondheidsproblemen die verband houden met een beroerte, met behulp van een cloud-native aanpak met AWS-services voor lichtgewicht lift en eenvoudige adoptie .
Diagnose-uitdagingen met hartaanvallen
Statistieken van de Centers for Disease Control en Prevention (CDC) laten zien dat elk jaar in de VS meer dan 795,000 mensen een eerste beroerte krijgen, en dat ongeveer 25% van hen terugkerende aanvallen ervaart. Het is doodsoorzaak nummer vijf volgens de Amerikaanse overheid American Stroke Association en een belangrijke oorzaak van invaliditeit in de VS. Daarom is het van cruciaal belang om een โโsnelle diagnose en behandeling te hebben om hersenbeschadiging en andere complicaties bij patiรซnten met een acute beroerte te verminderen.
CT's en MRI's zijn de gouden standaard in beeldvormingstechnologieรซn voor het classificeren van verschillende subtypes van beroertes en zijn cruciaal tijdens de voorlopige beoordeling van patiรซnten, het bepalen van de oorzaak en de behandeling. Een cruciale uitdaging hier, vooral in het geval van een acute beroerte, is het tijdstip van beeldvormende diagnose, dat gemiddeld varieert van 30 minuten tot een uur en kan veel langer duren, afhankelijk van de drukte op de spoedeisende hulp.
Artsen en medisch personeel hebben een snelle en nauwkeurige beelddiagnose nodig om de toestand van een patiรซnt te beoordelen en behandelingsopties voor te stellen. In de eigen woorden van Dr. Werner Vogels op AWS re: uitvind 2023, โelke seconde dat iemand een beroerte krijgt, telt.โ Slachtoffers van een beroerte kunnen elke seconde dat ze niet worden behandeld ongeveer 1.9 miljard neuronen verliezen.
Beperkingen op medische gegevens
U kunt machine learning (ML) gebruiken om artsen en onderzoekers te helpen bij diagnosetaken, waardoor het proces wordt versneld. De datasets die nodig zijn om de ML-modellen te bouwen en betrouwbare resultaten te leveren, bevinden zich echter in siloโs in verschillende gezondheidszorgsystemen en organisaties. Deze geรฏsoleerde, verouderde gegevens kunnen, als ze worden gecumuleerd, een enorme impact hebben. Dus waarom is het nog niet gebruikt?
Er zijn meerdere uitdagingen bij het werken met datasets uit het medische domein en het bouwen van ML-oplossingen, waaronder de privacy van patiรซnten, de beveiliging van persoonlijke gegevens en bepaalde bureaucratische en beleidsbeperkingen. Bovendien hebben onderzoeksinstellingen hun praktijken voor het delen van gegevens aangescherpt. Deze obstakels weerhouden internationale onderzoeksteams er ook van om samen te werken aan diverse en rijke datasets, die naast andere voordelen levens kunnen redden en handicaps kunnen voorkomen die het gevolg kunnen zijn van hartaanvallen.
Beleid en regelgeving zoals Algemene Verordening Gegevensbescherming (AVG), Health Insurance Portability and Accountability Act (HIPPA), en California Consumer Privacy Act (CCPA) heeft het delen van gegevens uit het medische domein belemmerd, vooral patiรซntgegevens. Bovendien zijn de datasets bij individuele instituten, organisaties en ziekenhuizen vaak te klein, onevenwichtig of vertekend verdeeld, wat leidt tot beperkingen op het gebied van modelgeneralisatie.
Gefedereerd leren: een introductie
Federated learning (FL) is een gedecentraliseerde vorm van ML: een dynamische technische benadering. Bij deze gedecentraliseerde ML-aanpak wordt het ML-model gedeeld tussen organisaties voor training op eigen datasubsets, in tegenstelling tot traditionele gecentraliseerde ML-training, waarbij het model over het algemeen traint op geaggregeerde datasets. De gegevens blijven beschermd achter de firewalls of VPC van de organisatie, terwijl het model met zijn metadata wordt gedeeld.
In de trainingsfase wordt een mondiaal FL-model verspreid en gesynchroniseerd tussen eenheidsorganisaties voor training op individuele datasets, en wordt een lokaal getraind model geretourneerd. Het uiteindelijke mondiale model kan worden gebruikt om voorspellingen te doen voor iedereen onder de deelnemers, en kan ook worden gebruikt als basis voor verdere training om lokale aangepaste modellen voor deelnemende organisaties te bouwen. Het kan verder worden uitgebreid ten behoeve van andere instituten. Deze aanpak kan de cyberbeveiligingsvereisten voor data in transit aanzienlijk verminderen door de noodzaak voor data om buiten de grenzen van de organisatie te transporteren helemaal weg te nemen.
Het volgende diagram illustreert een voorbeeldarchitectuur.
In de volgende paragrafen bespreken we hoe federatief leren kan helpen.
Federatie leert de dag te redden (en levens te redden)
Voor goede kunstmatige intelligentie (AI) heb je goede data nodig.
Oudere systemen, die vaak in het federale domein worden aangetroffen, vormen aanzienlijke uitdagingen op het gebied van gegevensverwerking voordat u enige informatie kunt afleiden of deze kunt samenvoegen met nieuwere datasets. Dit vormt een obstakel bij het verstrekken van waardevolle informatie aan leiders. Het kan leiden tot onnauwkeurige besluitvorming, omdat het aandeel oudere gegevens soms veel waardevoller is in vergelijking met de nieuwere kleine dataset. U wilt dit knelpunt effectief oplossen en zonder de werklast van handmatige consolidatie- en integratie-inspanningen (inclusief omslachtige mappingprocessen) voor oudere en nieuwere datasets die zich over ziekenhuizen en instituten bevinden, wat in veel gevallen vele maanden, zo niet jaren, kan duren. De oude gegevens zijn behoorlijk waardevol omdat ze belangrijke contextuele informatie bevatten die nodig is voor nauwkeurige besluitvorming en goed geรฏnformeerde modeltraining, wat leidt tot betrouwbare AI in de echte wereld. De duur van de gegevens informeert over langetermijnvariaties en patronen in de dataset die anders onopgemerkt zouden blijven en tot vertekende en slecht geรฏnformeerde voorspellingen zouden leiden.
Het afbreken van deze datasiloโs om het onbenutte potentieel van de verspreide data te verenigen, kan vele levens redden en transformeren. Het kan ook het onderzoek naar secundaire gezondheidsproblemen als gevolg van hartaanvallen versnellen. Deze oplossing kan u helpen inzichten te delen uit gegevens die vanwege beleid of andere redenen tussen instellingen zijn geรฏsoleerd, of u nu een ziekenhuis, een onderzoeksinstituut of andere op gezondheidsgegevens gerichte organisaties bent. Het kan weloverwogen beslissingen over onderzoeksrichting en diagnose mogelijk maken. Bovendien resulteert het in een gecentraliseerde opslagplaats van inlichtingen via een veilige, private en mondiale kennisbank.
Gefedereerd leren heeft veel voordelen in het algemeen en specifiek voor instellingen voor medische gegevens.
Beveiligings- en privacyfuncties:
- Houdt gevoelige gegevens buiten het internet en gebruikt deze nog steeds voor ML, en benut zijn intelligentie met differentiรซle privacy
- Hiermee kunt u onpartijdige en robuuste modellen bouwen, trainen en implementeren, niet alleen op machines, maar ook op netwerken, zonder risico's voor de gegevensbeveiliging
- Overwint de hindernissen waarbij meerdere leveranciers de gegevens beheren
- Elimineert de noodzaak voor het delen van gegevens tussen locaties en mondiaal bestuur
- Behoudt de privacy met differentiรซle privacy en biedt veilige berekeningen door meerdere partijen met lokale training
Prestatieverbeteringen:
- Pakt het probleem van de kleine steekproefomvang in de medische beeldvormingsruimte en de kostbare etiketteringsprocessen aan
- Brengt de verdeling van de gegevens in evenwicht
- Hiermee kunt u de meeste traditionele ML- en deep learning-methoden (DL) integreren
- Maakt gebruik van samengevoegde beeldsets om de statistische kracht te helpen verbeteren en de beperking van de steekproefomvang van individuele instellingen te overwinnen
Voordelen van veerkracht:
- Als een partij besluit te vertrekken, zal dat de training niet hinderen
- Een nieuw ziekenhuis of instituut kan op ieder moment toetreden; het is niet afhankelijk van een specifieke dataset met een knooppuntorganisatie
- Er zijn geen uitgebreide data-engineering-pijplijnen nodig voor de verouderde gegevens die verspreid zijn over wijdverspreide geografische locaties
Deze functies kunnen helpen de muren neer te halen tussen instellingen die geรฏsoleerde datasets op vergelijkbare domeinen hosten. De oplossing kan een krachtvermenigvuldiger worden door de verenigde krachten van gedistribueerde datasets te benutten en de efficiรซntie te verbeteren door het schaalbaarheidsaspect radicaal te transformeren zonder de zware infrastructuurlift. Deze aanpak helpt ML zijn volledige potentieel te bereiken en zich te bekwamen op klinisch niveau en niet alleen op onderzoeksniveau.
Federated Learning levert vergelijkbare prestaties als reguliere ML, zoals hieronder wordt weergegeven experiment door NVidia Clara (over Medical Modal ARchive (MMAR) met behulp van de BRATS2018-dataset). Hier behaalde FL vergelijkbare segmentatieprestaties vergeleken met training met gecentraliseerde gegevens: meer dan 80% met ongeveer 600 tijdperken tijdens het trainen van een multimodale hersentumorsegmentatietaak met meerdere klassen.
Gefedereerd leren is onlangs getest in een aantal medische subgebieden voor gebruiksscenario's, waaronder het leren van patiรซntgelijkenis, het leren van patiรซntrepresentatie, fenotypering en voorspellende modellering.
Toepassingsblauwdruk: Gefedereerd leren maakt het mogelijk en eenvoudig
Om met FL aan de slag te gaan, kun je kiezen uit vele hoogwaardige datasets. Datasets met hersenafbeeldingen omvatten bijvoorbeeld ZICH HOUDEN AAN (Autisme Brain Imaging Data Exchange-initiatief), ADNI (Initiatief voor neuroimaging bij de ziekte van Alzheimer), RSNA (Radiological Society of North America) Hersen CT, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) wordt regelmatig bijgewerkt voor de Brain Tumor Segmentation Challenge hieronder UPenn (Universiteit van Pennsylvania), UK BioBank (besproken in de volgende NIH papier), En XI. Op dezelfde manier kunt u voor hartbeelden kiezen uit verschillende openbaar beschikbare opties, waaronder ACDC (Automatic Cardiac Diagnosis Challenge), een dataset voor cardiale MRI-beoordeling met volledige annotatie, vermeld door de National Library of Medicine in het volgende papier, en M&M (Multi-Center, Multi-Vendor en Multi-Disease) Cardiale Segmentatie-uitdaging die hieronder wordt genoemd IEEE papier.
De volgende afbeeldingen tonen een probabilistische laesie-overlapkaart voor de primaire laesies uit de ATLAS R1.1-dataset. (Beroertes zijn een van de meest voorkomende oorzaken van hersenletsel volgens Cleveland Clinic.)
Voor gegevens over elektronische medische dossiers (EPD) zijn enkele datasets beschikbaar die volgen op de Bronnen voor snelle interoperabiliteit in de gezondheidszorg (FHIR)-standaard. Deze standaard helpt u bij het bouwen van eenvoudige pilots door bepaalde uitdagingen met heterogene, niet-genormaliseerde datasets weg te nemen, waardoor een naadloze en veilige uitwisseling, delen en integratie van datasets mogelijk wordt. De FHIR maakt maximale interoperabiliteit mogelijk. Voorbeelden van gegevenssets zijn onder meer MIMIC-IV (Medische Informatiemarkt voor Intensive Care). Andere datasets van goede kwaliteit die momenteel geen FHIR zijn, maar gemakkelijk kunnen worden geconverteerd, zijn onder meer Centra voor Medicare & Medicaid Services (CMS) Bestanden voor openbaar gebruik (PUF) en eICU Collaboratieve onderzoeksdatabase van MIT (Massachusetts Institute of Technology). Er komen ook andere bronnen beschikbaar die op FHIR gebaseerde datasets aanbieden.
De levenscyclus voor het implementeren van FL kan het volgende omvatten stappen: taakinitialisatie, selectie, configuratie, modeltraining, client/server-communicatie, planning en optimalisatie, versiebeheer, testen, implementatie en beรซindiging. Er zijn veel tijdrovende stappen nodig bij het voorbereiden van medische beeldvormingsgegevens voor traditionele ML, zoals hieronder beschreven papier. In sommige scenario's kan domeinkennis nodig zijn om onbewerkte patiรซntgegevens voor te verwerken, vooral vanwege de gevoelige en private aard ervan. Deze kunnen voor FL worden geconsolideerd en soms geรซlimineerd, waardoor cruciale trainingstijd wordt bespaard en snellere resultaten worden behaald.
Implementatie
FL-tools en -bibliotheken zijn gegroeid met brede ondersteuning, waardoor het eenvoudig is om FL te gebruiken zonder zware overheadlift. Er zijn veel goede bronnen en raamwerkopties beschikbaar om aan de slag te gaan. U kunt het volgende raadplegen uitgebreide lijst van de meest populaire frameworks en tools in het FL-domein, inclusief PySyft, FedML, Bloem, OpenFL, LOT, TensorFlow gefedereerd en NVFlare. Het biedt een beginnerslijst met projecten waarmee u snel aan de slag kunt en waarop u kunt voortbouwen.
U kunt een cloud-native aanpak implementeren met Amazon Sage Maker waar naadloos mee wordt samengewerkt AWS VPC-peering, waarbij de training van elk knooppunt in een privรฉ-subnet in hun respectievelijke VPC wordt gehouden en communicatie via privรฉ-IPv4-adressen mogelijk wordt gemaakt. Verder modelhosting op Amazon SageMaker JumpStart kan helpen door de eindpunt-API bloot te leggen zonder modelgewichten te delen.
Het neemt ook potentiรซle computeruitdagingen op hoog niveau met on-premises hardware weg Amazon Elastic Compute-cloud (Amazon EC2) bronnen. U kunt de FL-client en -servers op AWS implementeren SageMaker-notitieboekjes en Amazon eenvoudige opslagservice (Amazon S3), onderhoud gereguleerde toegang tot de gegevens en modellen AWS Identiteits- en toegangsbeheer (IAM) rollen en gebruik AWS-beveiligingstoken-service (AWS STS) voor beveiliging aan de clientzijde. Je kunt ook je eigen aangepaste systeem voor FL bouwen met Amazon EC2.
Voor een gedetailleerd overzicht van de implementatie van FL met de Bloem raamwerk op SageMaker, en een bespreking van het verschil met gedistribueerde training, verwijzen naar Machine learning met gedecentraliseerde trainingsgegevens met behulp van federatief leren op Amazon SageMaker.
De volgende figuren illustreren de architectuur van transferleren in FL.
FL-data-uitdagingen aanpakken
Gefedereerd leren brengt zijn eigen data-uitdagingen met zich mee, waaronder privacy en beveiliging, maar deze zijn eenvoudig aan te pakken. Ten eerste moet u het probleem van gegevensheterogeniteit aanpakken met medische beeldvormingsgegevens die voortkomen uit gegevens die zijn opgeslagen op verschillende locaties en deelnemende organisaties, ook wel bekend als een domeinverschuiving probleem (ook wel genoemd cliรซnt verschuiving in een FL-systeem), zoals hieronder door Guan en Liu wordt benadrukt papier. Dit kan leiden tot een verschil in convergentie van het mondiale model.
Andere componenten waarmee rekening moet worden gehouden, zijn onder meer het waarborgen van de gegevenskwaliteit en uniformiteit bij de bron, het opnemen van deskundige kennis in het leerproces om vertrouwen in het systeem te wekken bij medische professionals, en het bereiken van modelprecisie. Raadpleeg het volgende voor meer informatie over enkele van de potentiรซle uitdagingen waarmee u tijdens de implementatie te maken kunt krijgen papier.
AWS helpt u deze uitdagingen op te lossen met functies zoals de flexibele rekenkracht van Amazon EC2 en vooraf gebouwd Docker-afbeeldingen in SageMaker voor eenvoudige implementatie. U kunt problemen aan de clientzijde, zoals onevenwichtige gegevens en rekenbronnen, voor elke knooppuntorganisatie oplossen. U kunt leerproblemen aan de serverzijde, zoals vergiftigingsaanvallen van kwaadwillende partijen, aanpakken met Amazon virtuele privรฉcloud (Amazone VPC), beveiligingsgroepenen andere beveiligingsstandaarden, die corruptie bij klanten voorkomen en AWS-anomaliedetectiediensten implementeren.
AWS helpt ook bij het aanpakken van implementatie-uitdagingen in de echte wereld, waaronder integratie-uitdagingen, compatibiliteitsproblemen met huidige of oudere ziekenhuissystemen en obstakels voor gebruikersadoptie, door flexibele, gebruiksvriendelijke en moeiteloze lifttechnologie-oplossingen aan te bieden.
Met AWS-services kunt u grootschalig FL-gebaseerd onderzoek en klinische implementatie en implementatie mogelijk maken, die uit verschillende locaties over de hele wereld kunnen bestaan.
Recent beleid inzake interoperabiliteit benadrukt de noodzaak van federatief leren
Veel wetten die onlangs door de overheid zijn aangenomen, leggen de nadruk op data-interoperabiliteit, waardoor de behoefte aan cross-organisatorische interoperabiliteit van data voor inlichtingen wordt versterkt. Dit kan worden bereikt door FL te gebruiken, inclusief raamwerken zoals de TEFCA (Trusted Exchange Framework en Common Agreement) en de uitgebreide USCDI (Coregegevens van de Verenigde Staten voor interoperabiliteit).
Het voorgestelde idee draagt โโook bij aan het opvang- en distributie-initiatief van de CDC CDC gaat vooruit. Het volgende citaat uit het GovCIO-artikel Het delen van gegevens en AI zijn de belangrijkste prioriteiten van de Federal Health Agency in 2024 weerspiegelt ook een soortgelijk thema: โDeze capaciteiten kunnen het publiek ook op een rechtvaardige manier ondersteunen, patiรซnten ontmoeten waar ze zijn en kritische toegang tot deze diensten ontsluiten. Een groot deel van dit werk komt neer op de data.โ
Dit kan medische instituten en instanties in het hele land (en over de hele wereld) helpen met datasilo's. Ze kunnen profiteren van naadloze en veilige integratie en gegevensinteroperabiliteit, waardoor medische gegevens bruikbaar worden voor impactvolle, op ML gebaseerde voorspellingen en patroonherkenning. Je kunt beginnen met beeld, maar de aanpak is ook toepasbaar op elk EPD. Het doel is om de beste aanpak te vinden voor data-stakeholders, met een cloud-native pijplijn om de data te normaliseren en standaardiseren of deze direct voor FL te gebruiken.
Laten we een voorbeeld van een gebruikscasus verkennen. Beeldvormingsgegevens en scans van hartaanvallen zijn verspreid over het hele land en over de hele wereld, in geรฏsoleerde silo's in instituten, universiteiten en ziekenhuizen, en gescheiden door bureaucratische, geografische en politieke grenzen. Er bestaat niet รฉรฉn geaggregeerde bron en geen gemakkelijke manier voor medische professionals (niet-programmeurs) om er inzichten uit te halen. Tegelijkertijd is het niet haalbaar om ML- en DL-modellen op deze gegevens te trainen, wat medische professionals zou kunnen helpen snellere, nauwkeurigere beslissingen te nemen in kritieke tijden waarin het uren kan duren voordat hartscans binnenkomen terwijl het leven van de patiรซnt in gevaar kan komen. evenwicht.
Andere bekende gebruiksscenario's zijn onder meer POTS (Online volgsysteem kopen) op NIH (National Institutes of Health) en cyberbeveiliging voor verspreide en gelaagde behoeften aan inlichtingenoplossingen op COMCOMs/MAJCOMs-locaties over de hele wereld.
Conclusie
Gefedereerd leren is veelbelovend voor de analyse en intelligentie van oudere gezondheidszorggegevens. Het is eenvoudig om een โโcloud-native oplossing te implementeren met AWS-services, en FL is vooral nuttig voor medische organisaties met verouderde gegevens en technische uitdagingen. FL kan een potentiรซle impact hebben op de gehele behandelingscyclus, en nu nog meer met de focus op data-interoperabiliteit van grote federale organisaties en regeringsleiders.
Deze oplossing kan u helpen voorkomen dat u het wiel opnieuw hoeft uit te vinden en de nieuwste technologie kunt gebruiken om een โโsprong te maken ten opzichte van oudere systemen en voorop te lopen in deze steeds evoluerende wereld van AI. U kunt ook een leider worden op het gebied van best practices en een efficiรซnte benadering van data-interoperabiliteit binnen en tussen instanties en instituten in het gezondheidsdomein en daarbuiten. Bent u een instituut of bureau met datasiloโs verspreid over het land, dan kunt u profiteren van deze naadloze en veilige integratie.
De inhoud en meningen in dit bericht zijn die van de externe auteur en AWS is niet verantwoordelijk voor de inhoud of nauwkeurigheid van dit bericht. Het is de verantwoordelijkheid van elke klant om te bepalen of hij onderworpen is aan de HIPAA, en zo ja, hoe hij het beste kan voldoen aan de HIPAA en de bijbehorende uitvoeringsvoorschriften. Voordat klanten AWS gebruiken in verband met beschermde gezondheidsinformatie, moeten ze een AWS Business Associate Addendum (BAA) invoeren en de configuratievereisten ervan volgen.
Over de auteur
Nitin Kumar (MS, CMU) is een Lead Data Scientist bij T and T Consulting Services, Inc. Hij heeft uitgebreide ervaring met R&D-prototyping, gezondheidsinformatica, data uit de publieke sector en data-interoperabiliteit. Hij past zijn kennis van geavanceerde onderzoeksmethoden toe op de federale sector om innovatieve technische artikelen, POC's en MVP's te leveren. Hij heeft met meerdere federale instanties samengewerkt om hun data- en AI-doelstellingen te bevorderen. Andere aandachtsgebieden van Nitin zijn onder meer natuurlijke taalverwerking (NLP), datapijplijnen en generatieve AI.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- : heeft
- :is
- :niet
- :waar
- $UP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- Over
- versnellen
- toegang
- Volgens
- verantwoording
- nauwkeurigheid
- accuraat
- bereikt
- het bereiken van
- ACM
- over
- Daarnaast
- adres
- adressen
- aanpakken
- Adoptie
- bevorderen
- agentschappen
- agentschap
- geaggregeerd
- Overeenkomst
- AI
- Alles
- Het toestaan
- ook
- Alzheimer
- Amazone
- Amazon EC2
- Amazon Web Services
- Amerika
- onder
- an
- analytics
- en
- onregelmatigheidsdetectie
- elke
- api
- toepasselijk
- geldt
- nadering
- ongeveer
- architectuur
- Archief
- ZIJN
- gebieden
- ontstaan
- rond
- dit artikel
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- AS
- verschijning
- beoordeling
- helpen
- Associรซren
- At
- Aanvallen
- auteur
- autisme
- Automatisch
- Beschikbaar
- gemiddelde
- vermijd
- weg
- AWS
- Balance
- baseren
- BE
- omdat
- worden
- worden
- geweest
- vaardigheden
- achter
- wezen
- criterium
- voordeel
- betekent
- BEST
- 'best practices'
- tussen
- Verder
- vooringenomen
- Miljard
- Blog
- plan
- versterken
- bottleneck
- grenzen
- Hersenen
- brengen
- bouw
- Gebouw
- bureaucratisch
- bedrijfsdeskundigen
- maar
- by
- CA
- CAN
- mogelijkheden
- vangen
- verzorging
- geval
- gevallen
- Veroorzaken
- oorzaken
- CCPA
- CDC
- gecentraliseerde
- zeker
- uitdagen
- uitdagingen
- chef
- Kies
- Clara
- klant
- Klinisch
- cms
- samenwerkend
- hoe
- komt
- Gemeen
- Communicatie
- vergelijkbaar
- vergeleken
- verenigbaarheid
- voldoen
- componenten
- berekening
- Berekenen
- voorwaarde
- vertrouwen
- Configuratie
- versterken
- overweging
- consolidering
- beperkingen
- consulting
- consument
- privacy van de consument
- content
- contextual
- draagt โโbij
- onder controle te houden
- Convergentie
- geconverteerd
- Kern
- Corruptie
- kostbaar
- kon
- Land
- bedekt
- kritisch
- cruciaal
- hinderlijk
- Actueel
- Op dit moment
- gewoonte
- Klanten
- op het randje
- Cybersecurity
- cyclus
- schade
- gegevens
- gegevens Analytics
- Gegevensuitwisseling
- gegevensverwerking
- gegevensbescherming
- data scientist
- gegevensbeveiliging
- het delen van gegevens
- datasets
- dag
- Dood
- gedecentraliseerde
- Besluitvorming
- beslissingen
- deep
- diepgaand leren
- leveren
- afdeling
- Afhankelijk
- implementeren
- inzet
- Derive
- beschreven
- gedetailleerd
- Opsporing
- Bepalen
- bepalen
- diagnose
- diagram
- verschil
- anders
- digitaal
- richting
- direct
- een handicap
- bespreken
- discussie
- Ziekte
- verdeeld
- gedistribueerde training
- distributie
- diversen
- Artsen
- domein
- domeinen
- beneden
- dr
- twee
- duur
- gedurende
- dynamisch
- elk
- gemakkelijk
- En het is heel gemakkelijk
- gemakkelijk te gebruiken
- echo's
- effectief
- doeltreffendheid
- doeltreffend
- zonder inspanning
- inspanningen
- elektronisch
- Elektronische gezondheidsdossiers
- geรซlimineerd
- noodgeval
- in staat stellen
- maakt
- waardoor
- Endpoint
- Engineering
- verrijkt
- zorgen
- Enter
- Geheel
- tijdperken
- billijk
- vooral
- schatten
- Zelfs
- Alle
- iedereen
- voorbeeld
- voorbeelden
- uitwisseling
- uitgebreid
- ervaring
- expert
- Verken
- uitgebreid
- uitgebreid
- Uitgebreide ervaring
- extract
- Gezicht
- sneller
- uitvoerbaar
- Voordelen
- Federaal
- gefedereerd
- weinig
- veld-
- Figuren
- Bestanden
- finale
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- firewalls
- Voornaam*
- vijf
- flexibel
- Focus
- volgen
- volgend
- Voor
- Dwingen
- Voorhoede
- formulier
- gevonden
- Achtergrond
- frameworks
- vaak
- oppompen van
- vol
- verder
- Bovendien
- GDPR
- Algemeen
- algemeen
- generatief
- generatieve AI
- geografisch
- krijgen
- Geven
- Globaal
- wereldbol
- Go
- doel
- Doelen
- Tijdloos goud
- Gouden Standaard
- goed
- Overheid
- regeringsleiders
- groot
- gegroeid
- Gast
- Hardware
- harnassen
- Benutten
- Hebben
- he
- Gezondheid
- gezondheidsinformatie
- gezondheidszorg
- Hart
- zwaar
- hulp
- nuttig
- helpt
- hier
- high-level
- hoogwaardige
- Markeer
- Gemarkeerd
- hinderen
- zijn
- houdt
- ziekenhuis
- ziekenhuizen
- Hosting
- HOURS
- Hoe
- Echter
- HTML
- http
- HTTPS
- Horden
- idee
- Identiteit
- IEEE
- if
- illustreren
- illustreert
- beeld
- afbeeldingen
- Imaging
- Impact
- impactvolle
- uitvoeren
- uitvoering
- uitvoering
- belangrijk
- verbeteren
- verbeteringen
- het verbeteren van
- in
- onnauwkeurig
- Inc
- omvatten
- Inclusief
- inclusief
- nemen
- opnemen
- individueel
- informatie
- op de hoogte
- informeert
- Infrastructuur
- initiatief
- innovatieve
- inzichten
- inspireren
- Instituut
- instellingen
- verzekering
- integratie
- Intelligentie
- Internationale
- Internet
- Interoperabiliteit
- in
- geรฏsoleerd
- problemen
- IT
- HAAR
- mee
- jpeg
- jpg
- voor slechts
- houden
- kennis
- bekend
- kumar
- etikettering
- taal
- Groot
- grootschalig
- laatste
- Wetten
- leiden
- leider
- leiders
- leidend
- Springen
- leren
- Verlof
- Nalatenschap
- Niveau
- bibliotheken
- Bibliotheek
- Life
- levenscyclus van uw product
- lichtgewicht
- als
- beperking
- Lijst
- Lives
- lokaal
- locaties
- langdurig
- langer
- verliezen
- lot
- machine
- machine learning
- Machines
- onderhouden
- maken
- MERKEN
- maken
- kwaadaardig
- beheren
- handboek
- veel
- kaart
- in kaart brengen
- massachusetts
- Massachusetts Institute of Technology
- massief
- maximaal
- Mei..
- medisch
- medische gegevens
- Medicare
- geneeskunde
- vergadering
- vermeld
- gaan
- Metadata
- methoden
- macht
- minuten
- MIT
- ML
- model
- modellering
- modellen
- meer
- meest
- Meest populair
- bewegend
- MRI
- veel
- meerdere partijen
- meervoudig
- Dan moet je
- MVP's
- nationaal
- nationale gezondheidsinstituten
- Naturel
- Natural Language Processing
- NATUUR
- Noodzaak
- nodig
- behoeften
- netwerken
- neuronen
- New
- nieuwere
- NIH
- nlp
- geen
- knooppunt
- noorden
- Noord-Amerika
- nu
- aantal
- Nvidia
- hindernis
- obstakels
- of
- bieden
- het aanbieden van
- Aanbod
- officieren
- vaak
- on
- EEN
- online.
- Meningen
- optimalisatie
- Opties
- or
- organisatie
- organisaties
- Overige
- anders-
- buiten
- over
- het overwinnen van
- boven het hoofd
- overlappen
- overzicht
- het te bezitten.
- Papier
- papieren
- deelnemers
- deelnemende
- partijen
- feest
- voorbij
- patiรซnt
- patiรซnten
- Patronen
- patronen
- Pennsylvania
- Mensen
- prestatie
- persoon
- persoonlijk
- persoonlijke gegevens
- fase
- piloten
- pijpleiding
- Plato
- Plato gegevensintelligentie
- PlatoData
- vergiftiging
- beleidsmaatregelen door te lezen.
- beleidsmaatregelen
- politiek
- Populair
- draagbaarheid
- pose
- mogelijk
- Post
- potentieel
- energie
- bevoegdheden
- praktijken
- precisie
- Voorspellingen
- inleidend
- voorbereiding
- voorkomen
- het voorkomen van
- primair
- privacy
- Privacy en Beveiliging
- privaat
- probleem
- problemen
- processen
- verwerking
- professionals
- projecten
- belofte
- proportie
- voorstellen
- voorgestelde
- gepatenteerd
- beschermd
- bescherming
- prototyping
- biedt
- het verstrekken van
- publiek
- in het openbaar
- de aankoop van
- zetten
- kwaliteit
- Quick
- snel
- heel
- citeren
- R & D
- radicaal
- ranges
- Rauw
- RE
- bereiken
- vast
- echte wereld
- redenen
- onlangs
- erkenning
- archief
- terugkerend
- verminderen
- verwijzen
- verwezen
- regelmatig
- regelmatig
- gereguleerd
- reglement
- verwant
- betrouwbaar
- het verwijderen van
- bewaarplaats
- vertegenwoordiging
- Voorwaarden
- onderzoek
- Onderzoeksinstellingen
- onderzoekers
- oplossen
- Resources
- degenen
- verantwoordelijkheid
- verantwoordelijk
- beperkingen
- resultaat
- Resultaten
- Rijk
- robuust
- rollen
- wortel
- sagemaker
- dezelfde
- monster
- Bespaar
- besparing
- Schaalbaarheid
- scant
- verspreid
- scenario's
- scheduling
- Wetenschapper
- naadloos
- naadloos
- Tweede
- secundair
- secties
- sector
- beveiligen
- veiligheid
- beveiligingstoken
- segmentatie
- selectie
- gevoelig
- Servers
- Diensten
- Sets
- settings
- verscheidene
- Delen
- gedeeld
- delen
- tonen
- getoond
- aanzienlijke
- aanzienlijk
- silo's
- gelijk
- evenzo
- Eenvoudig
- single
- Locaties
- Zittend
- Maat
- Klein
- So
- Maatschappij
- oplossing
- Oplossingen
- sommige
- soms
- bron
- Tussenruimte
- specifiek
- specifiek
- Medewerkers
- stakeholders
- standaard
- normen
- begin
- gestart
- Staten
- statistisch
- Stappen
- Still
- mediaopslag
- opgeslagen
- eenvoudig
- onderwerpen
- subnet
- ondersteuning
- system
- Systems
- Nemen
- neemt
- Taak
- taken
- teams
- tech
- Technisch
- Technologies
- Technologie
- tensorflow
- getest
- Testen
- neem contact
- dat
- De
- De Bron
- de wereld
- hun
- Ze
- thema
- Er.
- daarbij
- daarom
- Deze
- ze
- van derden
- dit
- die
- Door
- aanhalen
- niet de tijd of
- keer
- naar
- samen
- teken
- ook
- tools
- top
- in de richting van
- Tracking
- traditioneel
- Trainen
- getraind
- Trainingen
- treinen
- overdracht
- Transformeren
- transformeren
- doorvoer
- behandeld
- behandeling
- vertrouwde
- Uk
- onpartijdige
- voor
- unified
- eenheid
- verenigen
- United
- Verenigde Staten
- Universiteiten
- universiteit-
- anders
- ontgrendelen
- onaangeboord
- bijgewerkt
- op
- us
- bruikbaar
- .
- use case
- gebruikt
- Gebruiker
- Gebruikersadoptie
- toepassingen
- gebruik
- waardevol
- waarde
- variaties
- divers
- vendors
- via
- slachtoffers
- Virtueel
- willen
- Manier..
- we
- web
- webservices
- GOED
- Wiel
- wanneer
- of
- welke
- en
- Waarom
- wijd verspreid
- Met
- binnen
- zonder
- woorden
- Mijn werk
- werkte
- werkzaam
- Bedrijven
- wereld
- zou
- geschreven
- jaar
- jaar
- nog
- You
- Your
- zephyrnet