Het analyseren van medische beelden speelt een cruciale rol bij het diagnosticeren en behandelen van ziekten. De mogelijkheid om dit proces te automatiseren met behulp van machine learning (ML)-technieken stelt zorgverleners in staat bepaalde vormen van kanker, coronaire ziekten en oogaandoeningen sneller te diagnosticeren. Een van de belangrijkste uitdagingen waarmee artsen en onderzoekers op dit gebied worden geconfronteerd, is echter de tijdrovende en complexe aard van het bouwen van ML-modellen voor beeldclassificatie. Traditionele methoden vereisen codeerexpertise en uitgebreide kennis van ML-algoritmen, wat voor veel zorgprofessionals een barriรจre kan zijn.
Om deze kloof te dichten, gebruikten we Amazon SageMaker-canvas, een visueel hulpmiddel waarmee artsen ML-modellen kunnen bouwen en implementeren zonder codering of gespecialiseerde kennis. Deze gebruiksvriendelijke aanpak elimineert de steile leercurve die gepaard gaat met ML, waardoor artsen zich kunnen concentreren op hun patiรซnten.
Amazon SageMaker Canvas biedt een drag-and-drop-interface voor het maken van ML-modellen. Artsen kunnen de gegevens selecteren die ze willen gebruiken, de gewenste output specificeren en vervolgens toekijken hoe het model automatisch wordt opgebouwd en getraind. Zodra het model is getraind, genereert het nauwkeurige voorspellingen.
Deze aanpak is ideaal voor artsen die ML willen gebruiken om hun diagnose en behandelbeslissingen te verbeteren. Met Amazon SageMaker Canvas kunnen ze de kracht van ML gebruiken om hun patiรซnten te helpen, zonder dat ze een ML-expert hoeven te zijn.
De classificatie van medische beelden heeft een directe invloed op de patiรซntresultaten en de efficiรซntie van de gezondheidszorg. Tijdige en nauwkeurige classificatie van medische beelden maakt vroegtijdige detectie van ziekten mogelijk, wat helpt bij effectieve behandelplanning en -monitoring. Bovendien zorgt de democratisering van ML via toegankelijke interfaces zoals Amazon SageMaker Canvas ervoor dat een breder scala aan zorgprofessionals, ook degenen zonder uitgebreide technische achtergrond, kan bijdragen aan het veld van medische beeldanalyse. Deze inclusieve aanpak bevordert samenwerking en kennisuitwisseling en leidt uiteindelijk tot vooruitgang in het gezondheidszorgonderzoek en verbeterde patiรซntenzorg.
In dit bericht onderzoeken we de mogelijkheden van Amazon SageMaker Canvas bij het classificeren van medische beelden, bespreken we de voordelen ervan en benadrukken we gebruiksscenario's uit de praktijk die de impact ervan op medische diagnostiek aantonen.
Gebruik geval
Huidkanker is een ernstige en potentieel dodelijke ziekte, en hoe eerder het wordt ontdekt, hoe groter de kans op een succesvolle behandeling. Statistisch gezien is huidkanker (bijv. basaal- en plaveiselcelcarcinoom) een van de meest voorkomende soorten kanker en leidt tot honderdduizenden sterfgevallen. wereldwijd elk jaar. Het manifesteert zich door de abnormale groei van huidcellen.
Een vroege diagnose vergroot echter de kansen op herstel drastisch. Bovendien kan het chirurgische, radiografische of chemotherapeutische therapieรซn overbodig maken of het algehele gebruik ervan verminderen, waardoor de gezondheidszorgkosten worden verlaagd.
Het proces van het diagnosticeren van huidkanker begint met een procedure die dermoscopie wordt genoemd, waarbij de algemene vorm, grootte en kleurkenmerken van huidlaesies worden geรฏnspecteerd. Vermoedelijke laesies ondergaan vervolgens verdere bemonstering en histologische tests om het kankerceltype te bevestigen. Artsen gebruiken meerdere methoden om huidkanker op te sporen, te beginnen met visuele detectie. Het American Center for the Study of Dermatology ontwikkelde een handleiding voor de mogelijke vorm van melanoom, genaamd ABCD (asymmetrie, rand, kleur, diameter) en wordt door artsen gebruikt voor de eerste screening van de ziekte. Als er een vermoedelijke huidlaesie wordt gevonden, neemt de arts een biopsie van de zichtbare laesie op de huid en onderzoekt deze microscopisch op een goedaardige of kwaadaardige diagnose en het type huidkanker. Computervisiemodellen kunnen een waardevolle rol spelen bij het identificeren van verdachte moedervlekken of laesies, waardoor een eerdere en nauwkeurigere diagnose mogelijk wordt.
Het creรซren van een kankerdetectiemodel is een proces dat uit meerdere stappen bestaat, zoals hieronder beschreven:
- Verzamel een grote dataset met afbeeldingen van een gezonde huid en een huid met verschillende soorten kanker of precancereuze laesies. Deze dataset moet zorgvuldig worden samengesteld om nauwkeurigheid en consistentie te garanderen.
- Gebruik computer vision-technieken om de beelden voor te verwerken en relevante informatie te extraheren om onderscheid te maken tussen een gezonde en kankerhuid.
- Train een ML-model op de voorbewerkte beelden, met behulp van een begeleide leeraanpak om het model te leren onderscheid te maken tussen verschillende huidtypes.
- Evalueer de prestaties van het model met behulp van een verscheidenheid aan meetgegevens, zoals precisie en herinnering, om ervoor te zorgen dat het kankerhuid nauwkeurig identificeert en valse positieven minimaliseert.
- Integreer het model in een gebruiksvriendelijke tool die door dermatologen en andere beroepsbeoefenaren in de gezondheidszorg kan worden gebruikt om te helpen bij de detectie en diagnose van huidkanker.
Over het geheel genomen vereist het proces van het helemaal opnieuw ontwikkelen van een model voor de detectie van huidkanker doorgaans aanzienlijke middelen en expertise. Dit is waar Amazon SageMaker Canvas kan helpen de tijd en moeite voor stap 2 โ 5 te vereenvoudigen.
Overzicht oplossingen
Om de creatie van een computervisiemodel voor huidkanker te demonstreren zonder code te schrijven, gebruiken we een dataset voor dermatoscopische huidkankerbeelden, gepubliceerd door Harvard Dataverse. Wij gebruiken de dataset, die te vinden is op HAM10000 en bestaat uit 10,015 dermatoscopische beelden, om een โโclassificatiemodel voor huidkanker op te bouwen dat de klassen van huidkanker voorspelt. Een paar belangrijke punten over de dataset:
- De dataset dient als trainingsset voor academische ML-doeleinden.
- Het omvat een representatieve verzameling van alle belangrijke diagnostische categorieรซn op het gebied van gepigmenteerde laesies.
- Een paar categorieรซn in de dataset zijn: Actinische keratosen en intra-epitheliale carcinoom / ziekte van Bowen (akiec), basaalcelcarcinoom (bcc), goedaardige keratose-achtige laesies (solaire lentigines / seborrheische keratosen en lichen-planus-achtige keratosen, bkl), dermatofibroma ( df), melanoom (mel), melanocytische naevi (nv) en vasculaire laesies (angiomen, angiokeratomen, pyogene granulomen en bloedingen, vasculaire aandoeningen)
- Meer dan 50% van de laesies in de dataset worden bevestigd via histopathologie (histo).
- De grondwaarheid voor de rest van de gevallen wordt bepaald door vervolgonderzoek (
follow_up
), consensus van deskundigen (consensus) of bevestiging door in vivo confocale microscopie (confocaal). - De dataset bevat laesies met meerdere afbeeldingen, die kunnen worden gevolgd met behulp van de
lesion_id
kolom binnen deHAM10000_metadata
bestand.
We laten zien hoe u de beeldclassificatie voor meerdere huidkankercategorieรซn kunt vereenvoudigen zonder code te schrijven met Amazon SageMaker Canvas. Gegeven een afbeelding van een huidlaesie, classificeert de SageMaker Canvas-beeldclassificatie een afbeelding automatisch in goedaardige of mogelijke kanker.
Voorwaarden
- Toegang tot een AWS account met machtigingen om de bronnen te maken die worden beschreven in de stappensectie.
- Een AWS-identiteits- en toegangsbeheer (AWS IAM)-gebruiker met volledige toestemming om Amazon SageMaker te gebruiken.
walkthrough
- SageMaker-domein instellen
- Datasets opzetten
- Creรซer een Amazon Simple Storage Service (Amazon S3) emmer met een unieke naam, namelijk
image-classification-<ACCOUNT_ID>
waarbij ACCOUNT_ID uw unieke AWS-accountnummer is. - Maak in deze bucket twee mappen:
training-data
entest-data
. - Maak onder trainingsgegevens zeven mappen voor elk van de huidkankercategorieรซn die in de dataset zijn geรฏdentificeerd:
akiec
,bcc
,bkl
,df
,mel
,nv
envasc
. - De dataset bevat laesies met meerdere afbeeldingen, die kunnen worden gevolgd door de
lesion_id-column
in deHAM10000_metadata
het dossier. De ... gebruikenlesion_id-column
, kopieer de bijbehorende afbeeldingen naar de juiste map (dat wil zeggen, u kunt beginnen met 100 afbeeldingen voor elke classificatie).
- Creรซer een Amazon Simple Storage Service (Amazon S3) emmer met een unieke naam, namelijk
- Gebruik Amazon SageMaker Canvas
- Ga naar uw Amazon Sage Maker service in de console en selecteer Canvas print van de lijst. Zodra u op de Canvas-pagina bent, selecteert u Canvas openen knop.
- Zodra u op de Canvas-pagina bent, selecteert u Mijn modellen en kies dan Nieuw model aan de rechterkant van uw scherm.
- Er wordt een nieuw pop-upvenster geopend, waar we een naam geven afbeelding_classificeren als de naam van het model en selecteer Beeldanalyse onder de Type probleem.
- Importeer de dataset
- Selecteer op de volgende pagina Maak een dataset en noem in het pop-upvenster de gegevensset als afbeelding_classificeren in en selecteer het creรซren knop.
- Wijzig op de volgende pagina de Databron naar Amazon S3. U kunt de afbeeldingen ook direct uploaden (bijv. Lokaal uploaden).
- Wanneer u selecteert Amazon S3, krijgt u de lijst met buckets in uw account. Selecteer de bovenliggende bucket die de gegevensset in een submap bevat (bijv. afbeelding-classificeren-2023 en selecteer Datums importeren knop. Hierdoor kan Amazon SageMaker Canvas de afbeeldingen snel labelen op basis van de mapnamen.
- Zodra de gegevensset met succes is geรฏmporteerd, ziet u de waarde in de kolom Status veranderen in Klaar oppompen van In behandeling.
- Selecteer nu uw dataset door te kiezen Selecteer dataset onderaan uw pagina.
- Bouw je model
- Op de Bouw pagina, zou u uw gegevens geรฏmporteerd en gelabeld moeten zien volgens de mapnaam in Amazon S3.
- Selecteer het Snel gebouwd (dat wil zeggen de rood gemarkeerde inhoud in de volgende afbeelding) en u ziet twee opties om het model te bouwen. De eerste is de Snel gebouwd en de tweede is Standaard gebouwd. Zoals de naam doet vermoeden, biedt de optie voor snel bouwen snelheid boven nauwkeurigheid en duurt het ongeveer 15 tot 30 minuten om het model te bouwen. Bij de standaardconstructie wordt prioriteit gegeven aan nauwkeurigheid boven snelheid, waarbij het bouwen van modellen 45 minuten tot 4 uur in beslag neemt. Standaard build voert experimenten uit met verschillende combinaties van hyperparameters en genereert veel modellen in de backend (met behulp van SageMaker Autopilot-functionaliteit) en kiest vervolgens het beste model.
- kies Standaard gebouwd om te beginnen met het bouwen van het model. Het duurt ongeveer 2 tot 5 uur om te voltooien.
- Zodra het bouwen van het model voltooid is, kunt u een geschatte nauwkeurigheid zien, zoals weergegeven in Figuur 11.
- Als u het selecteren Scoren tabblad, zou het u inzicht moeten geven in de nauwkeurigheid van het model. We kunnen ook de Geavanceerde statistieken knop op de Scoren tabblad om de precisie, terugroepactie en F1-score te bekijken (een uitgebalanceerde maatstaf voor nauwkeurigheid waarbij rekening wordt gehouden met het klassenevenwicht).
- De geavanceerde statistieken die Amazon SageMaker Canvas u laat zien, zijn afhankelijk van het feit of uw model numerieke, categorische, afbeeldings-, tekst- of tijdreeksvoorspellingen op uw gegevens uitvoert. In dit geval zijn wij van mening dat het herinneren belangrijker is dan precisie, omdat het missen van een kankerdetectie veel gevaarlijker is dan het correct detecteren. Categorische voorspelling, zoals voorspelling in 2 categorieรซn of voorspelling in 3 categorieรซn, verwijst naar het wiskundige concept van classificatie. De geavanceerde statistiek Recall is de fractie echte positieven (TP) van alle daadwerkelijke positieven (TP + fout-negatieven). Het meet het aandeel positieve gevallen dat door het model correct als positief werd voorspeld. Raadpleeg dit Een diepe duik in de geavanceerde statistieken van Amazon SageMaker Canvas voor een diepe duik in de voortgangsstatistieken.
Hiermee is de stap voor het maken van modellen in Amazon SageMaker Canvas voltooid.
- Test uw model
- U kunt nu kiezen voor de Voorspellen knop, waarmee u naar de Voorspellen pagina, waar u uw eigen afbeeldingen kunt uploaden Enkele voorspelling or Batchvoorspelling. Stel de gewenste optie in en selecteer import om uw afbeelding te uploaden en het model te testen.
- Laten we beginnen met een enkele afbeeldingsvoorspelling. Zorg ervoor dat u op de Enkele voorspelling En kies Afbeelding importeren. Dit brengt u naar een dialoogvenster waarin u kunt kiezen of u uw afbeelding wilt uploaden Amazon S3, of doe een Lokaal uploaden. In ons geval selecteren we Amazon S3 en blader naar onze map waar we de testafbeeldingen hebben en selecteer een afbeelding. Selecteer vervolgens Datums importeren.
- Eenmaal geselecteerd, zou je het scherm moeten zien zeggen Voorspellingsresultaten genereren. U zou binnen een paar minuten uw resultaten moeten hebben, zoals hieronder weergegeven.
- Laten we nu de batchvoorspelling proberen. Selecteer Batchvoorspelling voor Voer voorspellingen uit in en selecteer het Nieuwe gegevensset importeren knop en geef deze een naam Batchvoorspelling en druk op de creรซren knop.
- Zorg ervoor dat je in het volgende venster Amazon S3 upload hebt geselecteerd en blader naar de map waar we onze testset hebben en selecteer de Datums importeren knop.
- Zodra de afbeeldingen binnen zijn Klaar status, selecteer het keuzerondje voor de gemaakte dataset en kies Genereer voorspellingen. Nu zou u de status van de batchvoorspellingsbatch moeten zien Voorspellingen genereren. Laten we een paar minuten wachten op de resultaten.
- Zodra de status binnen is Klaar staat, kiest u de naam van de dataset die u naar een pagina brengt met de gedetailleerde voorspelling van al onze afbeeldingen.
- Een ander belangrijk kenmerk van Batch Prediction is dat u de resultaten kunt verifiรซren en de voorspelling ook kunt downloaden in een zip- of csv-bestand voor verder gebruik of delen.
Hiermee heb je met succes een model kunnen maken, trainen en de voorspelling ervan kunnen testen met Amazon SageMaker Canvas.
Schoonmaken
Kies Uitloggen in het linkernavigatievenster om uit te loggen bij de Amazon SageMaker Canvas-applicatie om het gebruik ervan te stoppen SageMaker Canvas-werkruimte-instantie-uren en laat alle hulpbronnen vrij.
Citaat
[1] Fraiwan M, Faouri E. Over de automatische detectie en classificatie van huidkanker met behulp van Deep Transfer Learning. Sensoren (Bazel). 2022 juni 30;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Conclusie
In dit bericht hebben we u laten zien hoe medische beeldanalyse met behulp van ML-technieken de diagnose huidkanker kan bespoedigen, en de toepasbaarheid ervan op de diagnose van andere ziekten. Het bouwen van ML-modellen voor beeldclassificatie is echter vaak complex en tijdrovend, en vereist codeerexpertise en ML-kennis. Amazon SageMaker Canvas heeft deze uitdaging aangepakt door een visuele interface te bieden die de noodzaak van coderen of gespecialiseerde ML-vaardigheden elimineert. Hierdoor kunnen zorgprofessionals ML gebruiken zonder een steile leercurve, waardoor ze zich kunnen concentreren op de patiรซntenzorg.
Het traditionele proces van het ontwikkelen van een kankerdetectiemodel is omslachtig en tijdrovend. Het omvat het verzamelen van een samengestelde dataset, het voorbewerken van afbeeldingen, het trainen van een ML-model, het evalueren van de prestaties ervan en het integreren ervan in een gebruiksvriendelijke tool voor professionals in de gezondheidszorg. Amazon SageMaker Canvas vereenvoudigde de stappen van voorverwerking tot integratie, waardoor de tijd en moeite die nodig was voor het bouwen van een model voor de detectie van huidkanker werd verminderd.
In dit bericht hebben we ons verdiept in de krachtige mogelijkheden van Amazon SageMaker Canvas bij het classificeren van medische beelden, waarbij we licht werpen op de voordelen ervan en praktijkvoorbeelden presenteren die de diepgaande impact ervan op medische diagnostiek laten zien. Een voorbeeld van zo'n overtuigend gebruiksscenario dat we hebben onderzocht, was de detectie van huidkanker en hoe een vroege diagnose de behandelingsresultaten vaak aanzienlijk verbetert en de gezondheidszorgkosten verlaagt.
Het is belangrijk om te erkennen dat de nauwkeurigheid van het model kan variรซren afhankelijk van factoren, zoals de omvang van de trainingsdataset en het specifieke type model dat wordt gebruikt. Deze variabelen spelen een rol bij het bepalen van de prestaties en betrouwbaarheid van de classificatieresultaten.
Amazon SageMaker Canvas kan dienen als een hulpmiddel van onschatbare waarde dat professionals in de gezondheidszorg helpt bij het met grotere nauwkeurigheid en efficiรซntie diagnosticeren van ziekten. Het is echter van essentieel belang op te merken dat het niet bedoeld is om de expertise en het oordeelsvermogen van beroepsbeoefenaren in de gezondheidszorg te vervangen. Integendeel, het geeft hen meer macht door hun capaciteiten te vergroten en nauwkeurigere en snellere diagnoses mogelijk te maken. Het menselijke element blijft essentieel in het besluitvormingsproces, en de samenwerking tussen zorgprofessionals en hulpmiddelen voor kunstmatige intelligentie (AI), waaronder Amazon SageMaker Canvas, is cruciaal voor het bieden van optimale patiรซntenzorg.
Over de auteurs
Ramakant Joshi is een AWS Solutions Architect, gespecialiseerd in het analytische en serverloze domein. Hij heeft een achtergrond in softwareontwikkeling en hybride architecturen en is gepassioneerd om klanten te helpen hun cloudarchitectuur te moderniseren.
Jake Wen is een Solutions Architect bij AWS, gedreven door een passie voor Machine Learning, Natural Language Processing en Deep Learning. Hij helpt Enterprise-klanten bij het realiseren van modernisering en schaalbare implementatie in de Cloud. Buiten de technische wereld vindt Jake plezier in skateboarden, wandelen en het besturen van luchtdrones.
Sonu Kumar Singh is een AWS Solutions Architect, met een specialisatie in het analysedomein. Hij heeft een belangrijke rol gespeeld bij het katalyseren van transformatieve verschuivingen in organisaties door datagestuurde besluitvorming mogelijk te maken en daarmee innovatie en groei te stimuleren. Hij geniet ervan als iets dat hij heeft ontworpen of gemaakt een positieve impact heeft. Bij AWS is het zijn bedoeling om klanten te helpen waarde te halen uit de meer dan 200 clouddiensten van AWS en hen te ondersteunen in hun cloudreis.
Dariush Azimi is Solution Architect bij AWS, met specialisatie in Machine Learning, Natural Language Processing (NLP) en microservices-architectuur met Kubernetes. Zijn missie is om organisaties in staat te stellen het volledige potentieel van hun data te benutten door middel van uitgebreide end-to-end oplossingen die dataopslag, toegankelijkheid, analyse en voorspellende mogelijkheden omvatten.
- 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/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- : heeft
- :is
- :waar
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- vermogen
- in staat
- Over
- academische
- toegang
- de toegankelijkheid
- beschikbaar
- Account
- nauwkeurigheid
- accuraat
- nauwkeurig
- het bereiken van
- erkennen
- daadwerkelijk
- adres
- aangesproken
- bevorderen
- vergevorderd
- vooruitgang
- AI
- Steun
- AIR
- algoritmen
- Alles
- Het toestaan
- toestaat
- ook
- Amazone
- Amazon Sage Maker
- Amazon SageMaker-canvas
- Amazon Web Services
- Amerikaans
- an
- analyse
- analytics
- en
- elke
- Aanvraag
- nadering
- architectuur
- ZIJN
- rond
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- AS
- helpt
- geassocieerd
- At
- automatiseren
- Automatisch
- webmaster.
- AWS
- backend
- achtergrond
- achtergronden
- Balance
- barriรจre
- gebaseerde
- Bazel
- BE
- omdat
- geweest
- geloofd wie en wat je bent
- onder
- betekent
- BEST
- Betere
- tussen
- Verder
- grens
- Onder
- Box camera's
- Brengt
- bredere
- bouw
- Gebouw
- bouwt
- by
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- Kanker
- canvas
- mogelijkheden
- verzorging
- voorzichtig
- geval
- gevallen
- katalyseren
- categorieรซn
- Cellen
- Centreren
- zeker
- uitdagen
- uitdagingen
- kans
- kansen
- verandering
- kenmerken
- keuze
- Kies
- het kiezen van
- klasse
- klassen
- classificatie
- clinici
- Cloud
- cloud-diensten
- code
- codering
- samenwerking
- Collectie
- kleur
- Kolom
- combinaties
- Gemeen
- dwingende
- compleet
- voltooit
- complex
- uitgebreid
- computer
- Computer visie
- concept
- voorwaarden
- bevestiging
- BEVESTIGD
- Overeenstemming
- bestaat uit
- troosten
- consumptie
- content
- bijdragen
- te corrigeren
- Overeenkomend
- Kosten
- kon
- en je merk te creรซren
- aangemaakt
- Wij creรซren
- het aanmaken
- cruciaal
- hinderlijk
- curated
- curve
- Klanten
- gevaarlijk
- gegevens
- gegevensopslag
- Gegevensgestuurde
- gegevensvers
- doden
- Besluitvorming
- beslissingen
- deep
- diepe duik
- diepgaand leren
- verrukking
- democratisering
- tonen
- Afhankelijk
- implementeren
- inzet
- beschreven
- ontworpen
- gewenste
- gedetailleerd
- opsporen
- gedetecteerd
- Opsporing
- vastbesloten
- bepalen
- ontwikkelde
- het ontwikkelen van
- Ontwikkeling
- Dialoog
- anders
- onderscheiden
- direct
- bespreken
- Ziekte
- ziekten
- onderscheiden
- duiken
- do
- dokter
- Artsen
- doen
- domein
- Download
- drastisch
- gedreven
- Drones
- e
- elk
- Vroeger
- Vroeg
- effectief
- doeltreffendheid
- inspanning
- element
- elimineert
- loondienst
- machtigen
- machtigt
- maakt
- waardoor
- allesomvattende
- eind tot eind
- Verbetert
- verzekeren
- Enterprise
- essentieel
- geschat
- schatten
- Onderzoekt
- bespoedigen
- experimenten
- expert
- expertise
- Verken
- Nagegaan
- uitgebreid
- extract
- f1
- geconfronteerd
- factoren
- vals
- ver
- Kenmerk
- weinig
- veld-
- Figuur
- Dien in
- vondsten
- Voornaam*
- Focus
- volgend
- Voor
- Fosters
- gevonden
- fractie
- oppompen van
- vol
- functionaliteit
- verder
- kloof
- verzameling
- Algemeen
- voortbrengen
- genereert
- krijgen
- gegeven
- meer
- Ground
- gids
- harnas
- harvard
- Hebben
- he
- gezondheidszorg
- gezond
- hulp
- het helpen van
- Markeer
- zijn
- Hit
- houdt
- HOURS
- Hoe
- How To
- Echter
- HTML
- HTTPS
- menselijk
- Menselijk element
- Honderden
- Hybride
- i
- ideaal
- geรฏdentificeerd
- identificeert
- identificeren
- Identiteit
- if
- beeld
- Afbeeldingsclassificatie
- afbeeldingen
- Impact
- Effecten
- importeren
- belangrijk
- verbeteren
- verbeterd
- in
- omvat
- Inclusief
- inclusief
- Verhoogt
- eerste
- Innovatie
- inzichten
- instantie
- instrumentaal
- integreren
- integratie
- Intelligentie
- bestemde
- Bedoeling
- Interface
- interfaces
- in
- onschatbaar
- IT
- HAAR
- zelf
- jpg
- sleutel
- kennis
- kumar
- label
- etikettering
- taal
- Groot
- Leads
- leren
- links
- licht
- als
- Lijst
- vermelding
- inloggen
- machine
- machine learning
- maken
- management
- veel
- wiskundig
- Mei..
- maatregel
- maatregelen
- medisch
- methoden
- Metriek
- Microscopie
- microservices
- minimaliseert
- minuten
- vermist
- Missie
- ML
- model
- modellen
- moderniseren
- Grensverkeer
- meer
- Bovendien
- meest
- meervoudig
- naam
- namen
- Naturel
- Natural Language Processing
- NATUUR
- OP DEZE WEBSITE VIND JE
- Navigatie
- Noodzaak
- nodig
- behoeften
- negatieven
- New
- volgende
- NIH
- nlp
- nu
- NV
- objecten
- of
- vaak
- on
- eens
- EEN
- opent
- optimale
- Keuze
- Opties
- or
- organisaties
- Overige
- onze
- uit
- resultaten
- geschetst
- uitgang
- over
- totaal
- het te bezitten.
- pagina
- brood
- passie
- hartstochtelijk
- patiรซnt
- patiรซnten
- voor
- prestatie
- presteert
- permissies
- picks
- loodsen
- centraal
- planning
- Plato
- Plato gegevensintelligentie
- PlatoData
- Spelen
- speelt
- dan
- punten
- pop-up
- positief
- mogelijk
- Post
- potentieel
- mogelijk
- energie
- krachtige
- nauwkeurig
- precisie
- voorspeld
- voorspelling
- Voorspellingen
- voorspelt
- presenteren
- prioriteert
- procedures
- verwerking
- professionals
- diepgaand
- proportie
- zorgen voor
- biedt
- het verstrekken van
- gepubliceerde
- doeleinden
- Quick
- snel
- Radio
- reeks
- liever
- echte wereld
- rijk
- na een training
- verminderen
- Gereduceerd
- vermindert
- verwijzen
- verwijst
- los
- relevante
- betrouwbaarheid
- stoffelijk overschot
- vervangen
- vertegenwoordiger
- vereisen
- nodig
- vereist
- onderzoek
- onderzoekers
- Resources
- REST
- Resultaten
- rechts
- Rol
- loopt
- sagemaker
- zegt
- schaalbare
- partituur
- krassen
- scherm
- doorlichting
- Tweede
- sectie
- zien
- gekozen
- sensor
- -Series
- ernstig
- dienen
- Serverless
- bedient
- service
- Diensten
- reeks
- zeven
- Vorm
- delen
- Ploegen
- moet
- showcase
- vertoonde
- getoond
- Shows
- aanzienlijke
- aanzienlijk
- Eenvoudig
- vereenvoudigd
- vereenvoudigen
- single
- Maat
- vaardigheden
- Huid
- Software
- software development
- zonne-
- oplossing
- Oplossingen
- iets
- gespecialiseerde
- gespecialiseerd
- specifiek
- snelheid
- standaard
- begin
- Start
- starts
- Land
- Status
- Stap voor
- Stappen
- stop
- mediaopslag
- Studie
- geslaagd
- Met goed gevolg
- dergelijk
- stel
- zeker
- chirurgisch
- verdacht
- neemt
- het nemen
- tech
- Technisch
- technieken
- proef
- testen
- tekst
- neem contact
- dat
- De
- hun
- Ze
- harte
- Er.
- daarbij
- Deze
- ze
- dit
- die
- duizenden kosten
- Door
- niet de tijd of
- Tijdreeksen
- tijdrovend
- actuele
- naar
- tools
- tools
- tp
- traditioneel
- Trainen
- getraind
- Trainingen
- treinen
- overdracht
- transformatieve
- behandelen
- behandeling
- waar
- waarheid
- proberen
- twee
- type dan:
- types
- typisch
- Tenslotte
- voor
- ondergaan
- unieke
- onnodig
- Gebruik
- .
- use case
- gebruikt
- gebruiksvriendelijke
- gebruik
- waardevol
- waarde
- variรซteit
- divers
- controleren
- Bekijk
- zichtbaar
- visie
- vitaal
- wachten
- willen
- was
- Bekijk de introductievideo
- we
- web
- webservices
- waren
- wanneer
- of
- welke
- WIE
- venster
- Met
- binnen
- zonder
- Workshops
- wereld
- het schrijven van
- jaar
- You
- Your
- zephyrnet
- Postcode