Analyse av medisinske bilder spiller en avgjørende rolle i diagnostisering og behandling av sykdommer. Evnen til å automatisere denne prosessen ved hjelp av maskinlæringsteknikker (ML) gjør det mulig for helsepersonell å raskere diagnostisere visse kreftformer, koronarsykdommer og oftalmologiske tilstander. En av hovedutfordringene klinikere og forskere står overfor på dette feltet er imidlertid den tidkrevende og komplekse naturen til å bygge ML-modeller for bildeklassifisering. Tradisjonelle metoder krever kodeekspertise og omfattende kunnskap om ML-algoritmer, noe som kan være en barriere for mange helsepersonell.
For å løse dette gapet brukte vi Amazon SageMaker Canvas, et visuelt verktøy som lar medisinske klinikere bygge og distribuere ML-modeller uten koding eller spesialkunnskap. Denne brukervennlige tilnærmingen eliminerer den bratte læringskurven knyttet til ML, noe som frigjør klinikere til å fokusere på pasientene sine.
Amazon SageMaker Canvas har et dra-og-slipp-grensesnitt for å lage ML-modeller. Klinikere kan velge dataene de vil bruke, spesifisere ønsket utgang, og deretter se på hvordan den automatisk bygger og trener modellen. Når modellen er trent, genererer den nøyaktige spådommer.
Denne tilnærmingen er ideell for medisinske klinikere som ønsker å bruke ML for å forbedre sine diagnoser og behandlingsbeslutninger. Med Amazon SageMaker Canvas kan de bruke kraften til ML til å hjelpe sine pasienter, uten å måtte være en ML-ekspert.
Klassifisering av medisinsk bilde påvirker direkte pasientresultater og helsevesenets effektivitet. Rettidig og nøyaktig klassifisering av medisinske bilder muliggjør tidlig oppdagelse av sykdommer som hjelper til med effektiv behandlingsplanlegging og overvåking. Dessuten gjør demokratiseringen av ML gjennom tilgjengelige grensesnitt som Amazon SageMaker Canvas, et bredere spekter av helsepersonell, inkludert de uten omfattende teknisk bakgrunn, i stand til å bidra til feltet medisinsk bildeanalyse. Denne inkluderende tilnærmingen fremmer samarbeid og kunnskapsdeling og fører til slutt til fremskritt innen helseforskning og forbedret pasientbehandling.
I dette innlegget vil vi utforske mulighetene til Amazon SageMaker Canvas i klassifisering av medisinske bilder, diskutere fordelene og fremheve brukstilfeller i den virkelige verden som viser dens innvirkning på medisinsk diagnostikk.
Bruk saken
Hudkreft er en alvorlig og potensielt dødelig sykdom, og jo tidligere den oppdages, jo større sjanse er det for vellykket behandling. Statistisk sett er hudkreft (f.eks. basal- og plateepitelkarsinomer) en av de vanligste krefttypene og fører til hundretusenvis av dødsfall verdensomspennende hvert år. Det manifesterer seg gjennom unormal vekst av hudceller.
Imidlertid øker tidlig diagnose drastisk sjansene for bedring. Dessuten kan det gjøre kirurgiske, radiografiske eller kjemoterapeutiske terapier unødvendige eller redusere den totale bruken, og bidra til å redusere helsekostnader.
Prosessen med å diagnostisere hudkreft starter med en prosedyre kalt en dermoskopi[1], som inspiserer den generelle formen, størrelsen og fargekarakteristikkene til hudlesjoner. Mistenkte lesjoner gjennomgår deretter ytterligere prøvetaking og histologiske tester for bekreftelse av kreftcelletypen. Leger bruker flere metoder for å oppdage hudkreft, og starter med visuell påvisning. American Center for the Study of Dermatology utviklet en guide for mulig form av melanom, som kalles ABCD (asymmetri, kant, farge, diameter) og brukes av leger for initial screening av sykdommen. Hvis en mistenkt hudlesjon blir funnet, tar legen en biopsi av den synlige lesjonen på huden og undersøker den mikroskopisk for en godartet eller ondartet diagnose og type hudkreft. Datasynsmodeller kan spille en verdifull rolle i å identifisere mistenkelige føflekker eller lesjoner, noe som muliggjør tidligere og mer nøyaktig diagnose.
Å lage en kreftdeteksjonsmodell er en flertrinnsprosess, som skissert nedenfor:
- Samle et stort datasett med bilder fra sunn hud og hud med ulike typer kreft- eller precancerøse lesjoner. Dette datasettet må kureres nøye for å sikre nøyaktighet og konsistens.
- Bruk datasynsteknikker for å forhåndsbehandle bildene og trekke ut relevant for å skille mellom sunn og krefthud.
- Tren en ML-modell på de forhåndsbehandlede bildene, ved å bruke en veiledet læringstilnærming for å lære modellen å skille mellom ulike hudtyper.
- Evaluer ytelsen til modellen ved å bruke en rekke beregninger, for eksempel presisjon og tilbakekalling, for å sikre at den nøyaktig identifiserer krefthud og minimerer falske positiver.
- Integrer modellen i et brukervennlig verktøy som kan brukes av hudleger og annet helsepersonell for å hjelpe til med å oppdage og diagnostisere hudkreft.
Samlet sett krever prosessen med å utvikle en hudkreftdeteksjonsmodell fra bunnen av vanligvis betydelige ressurser og ekspertise. Det er her Amazon SageMaker Canvas kan hjelpe til med å forenkle tiden og innsatsen for trinn 2 – 5.
Løsningsoversikt
For å demonstrere opprettelsen av en datasynsmodell for hudkreft uten å skrive noen kode, bruker vi et bildedatasett for dermatoskopi av hudkreft publisert av Harvard Dataverse. Vi bruker datasettet, som finnes på HAM10000 og består av 10,015 XNUMX dermatoskopiske bilder, for å bygge en hudkreftklassifiseringsmodell som forutsier hudkreftklasser. Noen viktige punkter om datasettet:
- Datasettet fungerer som et treningssett for akademiske ML-formål.
- Den inkluderer en representativ samling av alle viktige diagnostiske kategorier innen pigmenterte lesjoner.
- Noen få kategorier i datasettet er: Aktiniske keratoser og intraepitelialt karsinom / Bowens sykdom (akiec), basalcellekarsinom (bcc), benigne keratoselignende lesjoner (solar lentiginer / seboreiske keratoser og lichen-planus som keratoser, bkl), dermatofibroma ( df), melanom (mel), melanocytiske nevi (nv) og vaskulære lesjoner (angiomer, angiokeratomer, pyogene granulomer og blødninger, vasc)
- Mer enn 50 % av lesjonene i datasettet er bekreftet gjennom histopatologi (histo).
- Grunnsannheten for resten av sakene bestemmes gjennom oppfølgingsundersøkelse (
follow_up
), ekspertkonsensus (konsensus), eller bekreftelse av in vivo konfokal mikroskopi (konfokal). - Datasettet inkluderer lesjoner med flere bilder, som kan spores ved hjelp av
lesion_id
kolonne iHAM10000_metadata
filen.
Vi viser frem hvordan du forenkler bildeklassifisering for flere hudkreftkategorier uten å skrive noen kode ved å bruke Amazon SageMaker Canvas. Gitt et bilde av en hudlesjon, klassifiserer SageMaker Canvas bildeklassifisering automatisk et bilde i godartet eller mulig kreft.
Forutsetninger
- Tilgang til en AWS konto med tillatelser til å opprette ressursene beskrevet i trinnene.
- En AWS Identity and Access Management (AWS IAM) bruker med full tillatelse til å bruke Amazon SageMaker.
walkthrough
- Sett opp SageMaker-domene
- Sette opp datasett
- Opprett en Amazon Simple Storage Service (Amazon S3) bøtte med et unikt navn, som er
image-classification-<ACCOUNT_ID>
der ACCOUNT_ID er ditt unike AWS-kontonummer. - Lag to mapper i denne bøtten:
training-data
ogtest-data
. - Under treningsdata oppretter du syv mapper for hver av hudkreftkategoriene identifisert i datasettet:
akiec
,bcc
,bkl
,df
,mel
,nv
ogvasc
. - Datasettet inkluderer lesjoner med flere bilder, som kan spores av
lesion_id-column
innenforHAM10000_metadata
fil. Brukerlesion_id-column
, kopier de tilsvarende bildene til høyre mappe (dvs. du kan starte med 100 bilder for hver klassifisering).
- Opprett en Amazon Simple Storage Service (Amazon S3) bøtte med et unikt navn, som er
- Bruk Amazon SageMaker Canvas
- Gå til Amazon SageMaker tjeneste i konsollen og velg Lerret fra listen. Når du er på Canvas-siden, velg Åpne Canvas knapp.
- Når du er på Canvas-siden, velg Mine modeller og velg deretter Ny modell til høyre på skjermen.
- Et nytt popup-vindu åpnes, hvor vi navngir bilde_klassifisere som modellens navn og velg Bildeanalyse under Problemtype.
- Importer datasettet
- Velg på neste side Lag datasett og navngi datasettet som i popup-boksen bilde_klassifisere og velg Opprett knapp.
- På neste side endrer du Datakilde til Amazon S3. Du kan også laste opp bildene direkte (dvs. Lokal opplasting).
- Når du velger Amazon S3, får du listen over bøttene på kontoen din. Velg den overordnede bøtten som inneholder datasettet i undermappen (f.eks. bildeklassifiser-2023 og velg Import datoer knapp. Dette gjør at Amazon SageMaker Canvas raskt kan merke bildene basert på mappenavnene.
- Når datasettet er vellykket importert, vil du se verdien i Status-kolonnen endres til Klar fra i prosess.
- Velg nå datasettet ditt ved å velge Velg datasett nederst på siden din.
- Bygg din modell
- På Bygge side, bør du se dataene dine importert og merket i henhold til mappenavnet i Amazon S3.
- Velg Rask bygging knappen (dvs. det rødt uthevede innholdet i følgende bilde) og du vil se to alternativer for å bygge modellen. Den første er Rask bygging og den andre er Standard konstruksjon. Som navnet antyder gir hurtigbyggingsalternativet hastighet over nøyaktighet og det tar rundt 15 til 30 minutter å bygge modellen. Standardkonstruksjonen prioriterer nøyaktighet fremfor hastighet, med modellbygging som tar fra 45 minutter til 4 timer å fullføre. Standard build kjører eksperimenter med forskjellige kombinasjoner av hyperparametre og genererer mange modeller i backend (ved hjelp av SageMaker Autopilot-funksjonalitet) og velger deretter den beste modellen.
- Plukke ut Standard konstruksjon for å begynne å bygge modellen. Det tar rundt 2–5 timer å fullføre.
- Når modellbyggingen er fullført, kan du se en estimert nøyaktighet som vist i figur 11.
- Hvis du velger Scoring fanen, skal den gi deg innsikt i modellens nøyaktighet. Vi kan også velge Avanserte beregninger knappen på Scoring fanen for å vise presisjon, tilbakekalling og F1-poengsum (et balansert mål på nøyaktighet som tar klassebalanse i betraktning).
- De avanserte beregningene som Amazon SageMaker Canvas viser deg, avhenger av om modellen din utfører spådommer for numeriske, kategoriske, bilde-, tekst- eller tidsserieprognoser på dataene dine. I dette tilfellet mener vi at tilbakekalling er viktigere enn presisjon, fordi det å gå glipp av en kreftdeteksjon er langt farligere enn å oppdage riktig. Kategorisk prediksjon, for eksempel 2-kategori prediksjon eller 3-kategori prediksjon, refererer til det matematiske konseptet klassifisering. De avansert metrikk tilbakekalling er brøkdelen av sanne positive (TP) av alle de faktiske positive (TP + falske negative). Den måler andelen positive tilfeller som ble korrekt spådd som positive av modellen. Vennligst referer dette Et dypdykk i Amazon SageMaker Canvas avanserte beregninger for et dypdykk på forhåndsmålingene.
Dette fullfører trinnet for modelloppretting i Amazon SageMaker Canvas.
- Test modellen din
- Du kan nå velge forutsi knappen, som tar deg til forutsi side, hvor du kan laste opp dine egne bilder gjennom Enkel prediksjon or Batch prediksjon. Vennligst still inn alternativet du ønsker og velg Import for å laste opp bildet ditt og teste modellen.
- La oss starte med å gjøre en enkelt bildeprediksjon. Sørg for at du er på Enkeltprediksjon Og velg Importer bilde. Dette tar deg til en dialogboks hvor du kan velge å laste opp bildet ditt fra Amazon S3, eller gjør en Lokal opplasting. I vårt tilfelle velger vi Amazon S3 og bla til katalogen vår der vi har testbildene og velg et hvilket som helst bilde. Velg deretter Import datoer.
- Når du er valgt, bør du se skjermen sier Generer prediksjonsresultater. Du bør ha resultatene dine i løpet av noen få minutter som vist nedenfor.
- La oss nå prøve Batch-prediksjonen. Plukke ut Batch prediksjon etter Kjør spådommer og velg Importer nytt datasett knappen og navngi den BatchPrediction og traff Opprett knapp.
- I neste vindu, sørg for at du har valgt Amazon S3-opplasting og bla til katalogen der vi har testsettet vårt og velg Import datoer knapp.
- Når bildene er inne Klar status, velg alternativknappen for det opprettede datasettet og velg Generer spådommer. Nå bør du se statusen til batchprediksjonsbatch til Generer spådommer. La oss vente noen minutter på resultatene.
- Når statusen er inne Klar stat, velg datasettnavnet som tar deg til en side som viser den detaljerte prediksjonen på alle bildene våre.
- En annen viktig funksjon ved Batch Prediction er å kunne verifisere resultatene og også kunne laste ned prediksjonen i en zip- eller csv-fil for videre bruk eller deling.
Med dette har du klart å lage en modell, trene den og teste dens prediksjon med Amazon SageMaker Canvas.
Rydder opp
Velg Logg ut i venstre navigasjonsrute for å logge ut av Amazon SageMaker Canvas-applikasjonen for å stoppe forbruket av SageMaker Canvas arbeidsområde forekomst timer og frigjør alle ressurser.
Sitering
[1]Fraiwan M, Faouri E. Om automatisk påvisning og klassifisering av hudkreft ved bruk av dyp overføringslæring. Sensorer (Basel). 2022 30. juni;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
konklusjonen
I dette innlegget viste vi deg hvordan medisinsk bildeanalyse ved bruk av ML-teknikker kan fremskynde diagnosen hudkreft, og dens anvendelighet for å diagnostisere andre sykdommer. Å bygge ML-modeller for bildeklassifisering er imidlertid ofte komplekst og tidkrevende, og krever kodeekspertise og ML-kunnskap. Amazon SageMaker Canvas taklet denne utfordringen ved å tilby et visuelt grensesnitt som eliminerer behovet for koding eller spesialiserte ML-ferdigheter. Dette gir helsepersonell mulighet til å bruke ML uten en bratt læringskurve, slik at de kan fokusere på pasientbehandling.
Den tradisjonelle prosessen med å utvikle en kreftdeteksjonsmodell er tungvint og tidkrevende. Det innebærer å samle et kuratert datasett, forhåndsbehandle bilder, trene en ML-modell, evaluere ytelsen og integrere den i et brukervennlig verktøy for helsepersonell. Amazon SageMaker Canvas forenklet trinnene fra forbehandling til integrering, noe som reduserte tiden og innsatsen som kreves for å bygge en hudkreftdeteksjonsmodell.
I dette innlegget fordypet vi oss i de kraftige egenskapene til Amazon SageMaker Canvas når det gjelder å klassifisere medisinske bilder, kaste lys over fordelene og presentere virkelige brukssaker som viser dens dype innvirkning på medisinsk diagnostikk. En slik overbevisende brukssak vi utforsket var hudkreftdeteksjon og hvordan tidlig diagnose ofte forbedrer behandlingsresultatene betydelig og reduserer helsekostnader.
Det er viktig å erkjenne at nøyaktigheten til modellen kan variere avhengig av faktorer, for eksempel størrelsen på opplæringsdatasettet og den spesifikke typen modell som brukes. Disse variablene spiller en rolle i å bestemme ytelsen og påliteligheten til klassifiseringsresultatene.
Amazon SageMaker Canvas kan tjene som et uvurderlig verktøy som hjelper helsepersonell med å diagnostisere sykdommer med større nøyaktighet og effektivitet. Det er imidlertid viktig å merke seg at det ikke er ment å erstatte ekspertisen og dømmekraften til helsepersonell. Snarere styrker det dem ved å øke deres evner og muliggjøre mer presise og hensiktsmessige diagnoser. Det menneskelige elementet er fortsatt essensielt i beslutningsprosessen, og samarbeidet mellom helsepersonell og verktøy for kunstig intelligens (AI), inkludert Amazon SageMaker Canvas, er sentralt for å gi optimal pasientbehandling.
Om forfatterne
Ramakant Joshi er en AWS Solutions Architect, som spesialiserer seg på analyse- og serverløse domene. Han har bakgrunn fra programvareutvikling og hybridarkitekturer, og brenner for å hjelpe kunder med å modernisere skyarkitekturen sin.
Jake Wen er en løsningsarkitekt hos AWS, drevet av en lidenskap for maskinlæring, naturlig språkbehandling og dyp læring. Han hjelper bedriftskunder med å oppnå modernisering og skalerbar distribusjon i skyen. Utover teknologiverdenen finner Jake glede i skateboarding, fotturer og pilotering av luftdroner.
Sonu Kumar Singh er en AWS Solutions Architect, med spesialisering innen analysedomene. Han har vært medvirkende til å katalysere transformative endringer i organisasjoner ved å muliggjøre datadrevet beslutningstaking og dermed fremme innovasjon og vekst. Han nyter det når noe han har designet eller laget gir en positiv innvirkning. Hos AWS er hans intensjon å hjelpe kunder med å trekke ut verdier fra AWS sine 200+ skytjenester og styrke dem i deres skyreise.
Dariush Azimi er løsningsarkitekt hos AWS, med spesialisering i maskinlæring, naturlig språkbehandling (NLP) og mikrotjenesterarkitektur med Kubernetes. Hans oppgave er å gi organisasjoner mulighet til å utnytte det fulle potensialet til dataene deres gjennom omfattende ende-til-ende-løsninger som omfatter datalagring, tilgjengelighet, analyse og prediksjonsevner.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- : har
- :er
- :hvor
- $OPP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- evne
- I stand
- Om oss
- akademisk
- adgang
- tilgjengelighet
- tilgjengelig
- Logg inn
- nøyaktighet
- nøyaktig
- nøyaktig
- oppnå
- anerkjenne
- faktiske
- adresse
- adressert
- avansere
- avansert
- fremskritt
- AI
- Aid
- AIR
- algoritmer
- Alle
- tillate
- tillater
- også
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- amerikansk
- an
- analyse
- analytics
- og
- noen
- Søknad
- tilnærming
- arkitektur
- ER
- rundt
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- bistår
- assosiert
- At
- automatisere
- Automatisk
- automatisk
- AWS
- Backend
- bakgrunn
- bakgrunner
- Balansere
- barriere
- basert
- Basel
- BE
- fordi
- vært
- tro
- under
- Fordeler
- BEST
- Bedre
- mellom
- Beyond
- grensen
- Bunn
- Eske
- Bringer
- bredere
- bygge
- Bygning
- bygger
- knapp
- by
- som heter
- CAN
- Kreft
- lerret
- evner
- hvilken
- nøye
- saken
- saker
- katalyserende
- kategorier
- Celler
- sentrum
- viss
- utfordre
- utfordringer
- sjanse
- sjansene
- endring
- egenskaper
- valg
- Velg
- velge
- klasse
- klasser
- klassifisering
- klinikere
- Cloud
- skytjenester
- kode
- Koding
- samarbeid
- samling
- farge
- Kolonne
- kombinasjoner
- Felles
- overbevisende
- fullføre
- Fullfører
- komplekse
- omfattende
- datamaskin
- Datamaskin syn
- konsept
- forhold
- bekreftelse
- BEKREFTET
- Konsensus
- består
- Konsoll
- forbruk
- innhold
- bidra
- korrigere
- Tilsvarende
- Kostnader
- kunne
- skape
- opprettet
- Opprette
- skaperverket
- avgjørende
- tungvint
- kuratert
- skjøger
- Kunder
- Dangerous
- dato
- datalagring
- data-drevet
- Datavers
- dødsfall
- Beslutningstaking
- avgjørelser
- dyp
- dypdykk
- dyp læring
- glede
- demokratisering
- demonstrere
- avhengig
- utplassere
- distribusjon
- beskrevet
- designet
- ønsket
- detaljert
- oppdage
- oppdaget
- Gjenkjenning
- bestemmes
- bestemme
- utviklet
- utvikle
- Utvikling
- Dialog
- forskjellig
- differensiere
- direkte
- diskutere
- sykdom
- sykdommer
- skille
- dykk
- do
- Doktor
- leger
- gjør
- domene
- nedlasting
- drastisk
- drevet
- Droner
- e
- hver enkelt
- Tidligere
- Tidlig
- Effektiv
- effektivitet
- innsats
- element
- eliminerer
- ansatt
- bemyndige
- bemyndiger
- muliggjør
- muliggjør
- altomfattende
- ende til ende
- Forbedrer
- sikre
- Enterprise
- avgjørende
- anslått
- evaluere
- undersøker
- fremskynde
- eksperimenter
- Expert
- ekspertise
- utforske
- utforsket
- omfattende
- trekke ut
- f1
- møtt
- faktorer
- falsk
- langt
- Trekk
- Noen få
- felt
- Figur
- filet
- funn
- Først
- Fokus
- etter
- Til
- foster
- funnet
- brøkdel
- fra
- fullt
- funksjonalitet
- videre
- mellomrom
- samle
- general
- generere
- genererer
- få
- gitt
- større
- Ground
- Vekst
- veilede
- seletøy
- harvard
- Ha
- he
- helsetjenester
- sunt
- hjelpe
- hjelpe
- Uthev
- hans
- hit
- holder
- TIMER
- Hvordan
- Hvordan
- Men
- HTML
- HTTPS
- menneskelig
- Menneskelig element
- Hundrevis
- Hybrid
- i
- ideell
- identifisert
- identifiserer
- identifisere
- Identitet
- if
- bilde
- Bildeklassifisering
- bilder
- Påvirkning
- Konsekvenser
- importere
- viktig
- forbedre
- forbedret
- in
- inkluderer
- Inkludert
- Inklusive
- øker
- innledende
- Innovasjon
- innsikt
- f.eks
- instrumental
- integrere
- integrering
- Intelligens
- tiltenkt
- Intensjon
- Interface
- grensesnitt
- inn
- uvurderlig
- IT
- DET ER
- selv
- reise
- jpg
- nøkkel
- kunnskap
- Kumar
- Etiketten
- merking
- Språk
- stor
- Fører
- læring
- venstre
- lett
- i likhet med
- Liste
- oppføring
- logg
- maskin
- maskinlæring
- gjøre
- ledelse
- mange
- matematiske
- Kan..
- måle
- målinger
- medisinsk
- metoder
- Metrics
- mikros~~POS=TRUNC
- microservices
- minimerer
- minutter
- mangler
- Oppdrag
- ML
- modell
- modeller
- modern
- overvåking
- mer
- Videre
- mest
- flere
- navn
- navn
- Naturlig
- Natural Language Processing
- Natur
- Naviger
- Navigasjon
- Trenger
- trenger
- behov
- negativer
- Ny
- neste
- NIH
- nlp
- nå
- NV
- gjenstander
- of
- ofte
- on
- gang
- ONE
- åpner
- optimal
- Alternativ
- alternativer
- or
- organisasjoner
- Annen
- vår
- ut
- utfall
- skissert
- produksjon
- enn
- samlet
- egen
- side
- brød
- lidenskap
- lidenskapelig
- pasient
- pasienter
- for
- ytelse
- utfører
- tillatelser
- Picks
- pilotering
- sentral
- planlegging
- plato
- Platon Data Intelligence
- PlatonData
- Spille
- spiller
- vær så snill
- poeng
- pop-up
- positiv
- mulig
- Post
- potensiell
- potensielt
- makt
- kraftig
- presis
- Precision
- spådd
- prediksjon
- Spådommer
- spår
- presentere
- prioriterer
- prosedyren
- prosess
- prosessering
- fagfolk
- dyp
- Andelen
- gi
- gir
- gi
- publisert
- formål
- Rask
- raskt
- radio
- område
- heller
- virkelige verden
- riket
- utvinning
- redusere
- Redusert
- reduserer
- referere
- refererer
- slipp
- relevant
- pålitelighet
- forblir
- erstatte
- representant
- krever
- påkrevd
- Krever
- forskning
- forskere
- Ressurser
- REST
- Resultater
- ikke sant
- Rolle
- går
- sagemaker
- sier
- skalerbar
- Resultat
- skraper
- Skjerm
- screening
- Sekund
- Seksjon
- se
- valgt
- sensorer
- Serien
- alvorlig
- betjene
- server~~POS=TRUNC
- serverer
- tjeneste
- Tjenester
- sett
- syv
- Form
- deling
- Skift
- bør
- presentere
- viste
- vist
- Viser
- signifikant
- betydelig
- Enkelt
- forenklet
- forenkle
- enkelt
- Størrelse
- ferdigheter
- Skin
- Software
- programvareutvikling
- solenergi
- løsning
- Solutions
- noe
- spesialisert
- spesialisert
- spesifikk
- fart
- Standard
- Begynn
- Start
- starter
- Tilstand
- status
- Trinn
- Steps
- Stopp
- lagring
- Studer
- vellykket
- vellykket
- slik
- foreslår
- sikker
- kirurgisk
- mistenkelig
- tar
- ta
- tech
- Teknisk
- teknikker
- test
- tester
- tekst
- enn
- Det
- De
- deres
- Dem
- deretter
- Der.
- derved
- Disse
- de
- denne
- De
- tusener
- Gjennom
- tid
- Tidsserier
- tidkrevende
- rettidig
- til
- verktøy
- verktøy
- tp
- tradisjonelle
- Tog
- trent
- Kurs
- Togene
- overføre
- transformative
- behandling
- behandling
- sant
- Sannhet
- prøve
- to
- typen
- typer
- typisk
- Til syvende og sist
- etter
- gjennomgå
- unik
- unødvendig
- bruk
- bruke
- bruk sak
- brukt
- brukervennlig
- ved hjelp av
- Verdifull
- verdi
- variasjon
- ulike
- verifisere
- Se
- synlig
- syn
- vital
- vente
- ønsker
- var
- Se
- we
- web
- webtjenester
- var
- når
- om
- hvilken
- HVEM
- vindu
- med
- innenfor
- uten
- Verksteder
- verden
- skriving
- år
- Du
- Din
- zephyrnet
- Zip