To jest gościnny post na blogu napisany przez Nitina Kumara, głównego analityka danych w T and T Consulting Services, Inc.
W tym poście omawiamy wartość i potencjalny wpływ zintegrowanego uczenia się w dziedzinie opieki zdrowotnej. Takie podejście może pomóc pacjentom z udarem serca, lekarzom i badaczom w szybszej diagnozie, wzbogaconym podejmowaniu decyzji i bardziej świadomych, włączających pracach badawczych nad problemami zdrowotnymi związanymi z udarem, wykorzystując podejście natywne w chmurze z usługami AWS w celu zapewnienia lekkości i łatwego wdrożenia .
Wyzwania diagnostyczne związane z udarami serca
Statystyki z Centers for Disease Control and Prevention (CDC) pokazują, że każdego roku w USA ponad 795,000 25 osób cierpi na pierwszy udar, a około XNUMX% z nich doświadcza nawracających ataków. Według szacunków jest to piąta przyczyna zgonów Amerykańskie Stowarzyszenie Stroke i główną przyczyną niepełnosprawności w USA. Dlatego tak ważne jest szybkie rozpoznanie i leczenie, aby zapobiec uszkodzeniom mózgu i innym powikłaniom u pacjentów ze świeżym udarem.
Tomografia komputerowa i rezonans magnetyczny stanowią złoty standard w technologiach obrazowania umożliwiających klasyfikację różnych podtypów udaru i mają kluczowe znaczenie podczas wstępnej oceny stanu pacjenta, ustalenia pierwotnej przyczyny i leczenia. Krytycznym wyzwaniem, zwłaszcza w przypadku ostrego udaru mózgu, jest czas diagnozy obrazowej, który wynosi średnio od 30 minut do godziny i może trwać znacznie dłużej, w zależności od obłożenia oddziałów ratunkowych.
Lekarze i personel medyczny potrzebują szybkiej i dokładnej diagnostyki obrazowej, aby ocenić stan pacjenta i zaproponować możliwości leczenia. Według własnych słów dr Wernera Vogelsa pod adresem AWS re: Invent 2023„Liczy się każda sekunda, w której ktoś doznaje udaru”. Ofiary udaru mogą stracić około 1.9 miliarda neuronów w każdej sekundzie nieleczenia.
Ograniczenia dotyczące danych medycznych
Możesz wykorzystać uczenie maszynowe (ML), aby pomóc lekarzom i badaczom w zadaniach diagnostycznych, przyspieszając w ten sposób proces. Jednak zbiory danych potrzebne do zbudowania modeli uczenia maszynowego i zapewnienia wiarygodnych wyników znajdują się w silosach w różnych systemach i organizacjach opieki zdrowotnej. Te izolowane, starsze dane mogą mieć ogromny wpływ, jeśli zostaną skumulowane. Dlaczego więc jeszcze go nie wykorzystano?
Praca ze zbiorami danych domeny medycznej i tworzenie rozwiązań ML wiąże się z wieloma wyzwaniami, w tym z prywatnością pacjentów, bezpieczeństwem danych osobowych oraz pewnymi ograniczeniami biurokratycznymi i politycznymi. Ponadto instytucje badawcze zaostrzają swoje praktyki udostępniania danych. Przeszkody te uniemożliwiają również międzynarodowym zespołom badawczym wspólną pracę nad różnorodnymi i bogatymi zbiorami danych, które mogłyby między innymi uratować życie i zapobiec niepełnosprawności, która może wynikać z udaru serca.
Zasady i regulacje, np Ogólne rozporządzenie o ochronie danych (RODO), Ustawa dotycząca przenośności i odpowiedzialności w zakresie ubezpieczeń społecznych (HIPPA) i Ustawa o ochronie prywatności konsumentów w Kalifornii (CCPA) wprowadziła bariery utrudniające udostępnianie danych ze dziedziny medycyny, zwłaszcza danych pacjentów. Ponadto zbiory danych w poszczególnych instytutach, organizacjach i szpitalach są często zbyt małe, niezrównoważone lub mają tendencyjny rozkład, co prowadzi do ograniczeń uogólniania modelu.
Uczenie się stowarzyszone: wprowadzenie
Federacyjne uczenie się (FL) to zdecentralizowana forma uczenia maszynowego – dynamicznego podejścia inżynierskiego. W tym zdecentralizowanym podejściu do uczenia maszynowego model uczenia maszynowego jest współdzielony między organizacjami w celu szkolenia na zastrzeżonych podzbiorach danych, w przeciwieństwie do tradycyjnego scentralizowanego szkolenia w zakresie uczenia maszynowego, gdzie model zazwyczaj szkoli się na zagregowanych zbiorach danych. Dane pozostają chronione za zaporami ogniowymi organizacji lub VPC, a model z metadanymi jest udostępniany.
W fazie uczenia globalny model FL jest rozpowszechniany i synchronizowany pomiędzy organizacjami jednostkowymi w celu szkolenia na poszczególnych zbiorach danych, a następnie zwracany jest lokalnie przeszkolony model. Ostateczny model globalny można wykorzystać do prognozowania dla wszystkich uczestników, a także można go wykorzystać jako podstawę do dalszego szkolenia w celu budowania lokalnych, niestandardowych modeli dla uczestniczących organizacji. Można go dalej rozszerzać, aby przynosił korzyści innym instytutom. Takie podejście może znacznie zmniejszyć wymagania dotyczące cyberbezpieczeństwa przesyłanych danych, eliminując w ogóle potrzebę przesyłania danych poza granice organizacji.
Poniższy diagram ilustruje przykładową architekturę.
W kolejnych sekcjach omawiamy, w jaki sposób uczenie się stowarzyszone może pomóc.
Federacja uczy się, jak ratować sytuację (i ratować życie)
Do dobrej sztucznej inteligencji (AI) potrzebne są dobre dane.
Starsze systemy, często spotykane w domenie federalnej, stwarzają poważne wyzwania w zakresie przetwarzania danych, zanim będzie można uzyskać jakiekolwiek informacje wywiadowcze lub połączyć je z nowszymi zbiorami danych. Stanowi to przeszkodę w dostarczaniu liderom cennych informacji wywiadowczych. Może to prowadzić do niedokładnego podejmowania decyzji, ponieważ część starszych danych jest czasami znacznie cenniejsza w porównaniu z nowszymi, małymi zbiorami danych. Chcesz skutecznie rozwiązać to wąskie gardło, bez konieczności ręcznej konsolidacji i integracji (w tym uciążliwych procesów mapowania) w przypadku starszych i nowszych zbiorów danych znajdujących się w szpitalach i instytutach, co w wielu przypadkach może zająć wiele miesięcy, jeśli nie lat. Dotychczasowe dane są dość cenne, ponieważ zawierają ważne informacje kontekstowe potrzebne do podejmowania dokładnych decyzji i opartego na wiedzy szkolenia modeli, co prowadzi do niezawodnej sztucznej inteligencji w świecie rzeczywistym. Czas trwania danych informuje o długoterminowych zmianach i wzorcach w zbiorze danych, które w przeciwnym razie pozostałyby niewykryte i prowadziłyby do stronniczych i błędnych przewidywań.
Rozbicie tych silosów danych w celu zjednoczenia niewykorzystanego potencjału rozproszonych danych może uratować i przekształcić życie wielu osób. Może także przyspieszyć badania związane z wtórnymi problemami zdrowotnymi wynikającymi z udarów serca. To rozwiązanie może pomóc w udostępnianiu spostrzeżeń na podstawie danych izolowanych pomiędzy instytutami ze względu na politykę lub z innych powodów, niezależnie od tego, czy jesteś szpitalem, instytutem badawczym, czy inną organizacją skupiającą się na danych zdrowotnych. Może umożliwić świadome podejmowanie decyzji dotyczących kierunku badań i diagnozy. Ponadto skutkuje scentralizowanym repozytorium danych wywiadowczych za pośrednictwem bezpiecznej, prywatnej i globalnej bazy wiedzy.
Uczenie się stowarzyszone ma wiele zalet ogólnie, a szczególnie w przypadku ustawień danych medycznych.
Funkcje bezpieczeństwa i prywatności:
- Trzyma wrażliwe dane z dala od Internetu i nadal wykorzystuje je do uczenia maszynowego, wykorzystując swoją inteligencję do różnicowej prywatności
- Umożliwia budowanie, trenowanie i wdrażanie bezstronnych i solidnych modeli nie tylko na maszynach, ale także w sieciach, bez żadnych zagrożeń bezpieczeństwa danych
- Pokonuje przeszkody związane z zarządzaniem danymi przez wielu dostawców
- Eliminuje potrzebę udostępniania danych między lokalizacjami i globalnego zarządzania
- Zachowuje prywatność dzięki prywatności różnicowej i oferuje bezpieczne obliczenia wielostronne dzięki lokalnym szkoleniom
Ulepszenia w wydajności:
- Rozwiązuje problem małej wielkości próbki w przestrzeni obrazowania medycznego i kosztownych procesów etykietowania
- Równoważy rozkład danych
- Umożliwia włączenie większości tradycyjnych metod uczenia maszynowego i głębokiego uczenia się (DL).
- Wykorzystuje zbiorcze zestawy obrazów, aby poprawić moc statystyczną, przezwyciężając ograniczenia wielkości próby poszczególnych instytucji
Korzyści z odporności:
- Jeśli któraś ze stron zdecyduje się odejść, nie będzie to utrudniać szkolenia
- Nowy szpital lub instytut może dołączyć w dowolnym momencie; nie jest zależny od żadnego konkretnego zbioru danych z jakąkolwiek organizacją węzła
- Nie ma potrzeby tworzenia rozległych potoków inżynierii danych w przypadku starszych danych rozproszonych w rozległych lokalizacjach geograficznych
Funkcje te mogą pomóc w zburzeniu murów pomiędzy instytucjami przechowującymi izolowane zbiory danych w podobnych domenach. Rozwiązanie może zwielokrotnić siłę, wykorzystując ujednoliconą moc rozproszonych zbiorów danych i poprawiając wydajność poprzez radykalną zmianę aspektu skalowalności bez konieczności podnoszenia ciężkiej infrastruktury. Takie podejście pomaga ML osiągnąć swój pełny potencjał, zdobywając biegłość na poziomie klinicznym, a nie tylko badawczym.
Uczenie stowarzyszone ma wydajność porównywalną do zwykłego uczenia maszynowego, jak pokazano poniżej eksperyment przez NVidia Clara (w Medical Modal ARchive (MMAR) przy użyciu zestawu danych BRATS2018). W tym przypadku FL osiągnął porównywalną wydajność segmentacji w porównaniu do treningu ze scentralizowanymi danymi: ponad 80% z około 600 epokami podczas szkolenia wielomodalnego, wieloklasowego zadania segmentacji guza mózgu.
Uczenie się stowarzyszone zostało ostatnio przetestowane w kilku poddziedzinach medycyny pod kątem zastosowań, w tym uczenia się na podstawie podobieństwa pacjentów, uczenia się reprezentacji pacjentów, fenotypowania i modelowania predykcyjnego.
Schemat aplikacji: Sfederowane uczenie się sprawia, że jest to możliwe i proste
Aby rozpocząć korzystanie z FL, możesz wybierać spośród wielu wysokiej jakości zestawów danych. Na przykład zbiory danych zawierające obrazy mózgu obejmują PRZESTRZEGAĆ (Inicjatywa wymiany danych obrazowania mózgu w autyzmie), ADNI (Inicjatywa Neuroobrazowania Choroby Alzheimera), RSNA (Towarzystwo Radiologiczne Ameryki Północnej) CT mózgu, BRASY (Multimodalny test porównawczy segmentacji guzów mózgu) regularnie aktualizowany na potrzeby wyzwania segmentacji guzów mózgu w ramach UPenn (University of Pennsylvania), UK BioBank (opisane w poniższym dokumencie NIH papier), A IXIA. Podobnie w przypadku obrazów serca można wybierać spośród kilku publicznie dostępnych opcji, w tym ACDC (Automatic Cardiac Diagnosis Challenge), czyli zbioru danych do oceny MRI serca z pełną adnotacją, o której mowa w poniższej publikacji Narodowej Biblioteki Medycznej papieroraz M&M (Multi-Center, Multi-Vendor i Multi-Disease) Cardiac Segmentation Challenge, o którym mowa poniżej IEEE papieru.
Poniższe zdjęcia przedstawiają a Probabilistyczna mapa nakładania się zmian pierwotnych ze zbioru danych ATLAS R1.1. (Udar mózgu jest jedną z najczęstszych przyczyn uszkodzeń mózgu wg Cleveland Clinic.)
W przypadku danych z elektronicznej dokumentacji zdrowotnej (EHR) dostępnych jest kilka zestawów danych zgodnych z Zasoby dotyczące interoperacyjności Fast Healthcare (FHIR). Ten standard pomaga w tworzeniu prostych programów pilotażowych, eliminując pewne wyzwania związane z heterogenicznymi, nieznormalizowanymi zbiorami danych, umożliwiając bezproblemową i bezpieczną wymianę, udostępnianie i integrację zbiorów danych. FHIR umożliwia maksymalną interoperacyjność. Przykłady zbiorów danych obejmują MIMIC-IV (Market Informacji Medycznej dla Intensywnej Terapii). Inne zbiory danych dobrej jakości, które nie są obecnie FHIR, ale można je łatwo przekonwertować, obejmują Centra Medicare i Medicaid Services (CMS) Pliki do użytku publicznego (PUF) i Baza danych wspólnych badań eICU z MIT (Instytut Technologii w Massachusetts). Dostępne stają się również inne zasoby oferujące zbiory danych oparte na FHIR.
Cykl życia wdrożenia FL może obejmować następujące elementy kroki: inicjalizacja zadań, wybór, konfiguracja, uczenie modelu, komunikacja klient/serwer, planowanie i optymalizacja, wersjonowanie, testowanie, wdrażanie i zakończenie. Przygotowanie danych z obrazowania medycznego na potrzeby tradycyjnego ML wymaga wielu czasochłonnych etapów, jak opisano poniżej papier. W niektórych scenariuszach do wstępnego przetwarzania surowych danych pacjentów może być potrzebna wiedza dziedzinowa, szczególnie ze względu na ich wrażliwy i prywatny charakter. Można je konsolidować, a czasami eliminować w przypadku języka angielskiego, oszczędzając czas niezbędny na szkolenie i zapewniając szybsze wyniki.
Realizacja
Narzędzia i biblioteki FL rozwinęły się dzięki szerokiemu wsparciu, dzięki czemu korzystanie z FL jest proste bez konieczności używania ciężkiego podnośnika. Na początek dostępnych jest wiele dobrych zasobów i opcji frameworka. Możesz zapoznać się z poniższymi informacjami obszerna lista z najpopularniejszych frameworków i narzędzi w domenie FL, m.in PySyft, FedML, Kwiat, OtwórzFL, LOS, Federacja TensorFlow, NVFlare. Zawiera listę projektów dla początkujących, dzięki której można szybko rozpocząć pracę i dalej ją rozwijać.
Możesz wdrożyć podejście natywne w chmurze za pomocą Amazon Sage Maker z którym bezproblemowo współpracuje Komunikacja równorzędna AWS VPC, utrzymując szkolenie każdego węzła w prywatnej podsieci w odpowiedniej sieci VPC i umożliwiając komunikację za pośrednictwem prywatnych adresów IPv4. Co więcej, hosting modelowy jest włączony Amazon SageMaker JumpStart może pomóc, udostępniając interfejs API punktu końcowego bez udostępniania wag modeli.
Eliminuje także potencjalne wyzwania związane z obliczeniami wysokiego poziomu w przypadku sprzętu lokalnego Elastyczna chmura obliczeniowa Amazon Zasoby (Amazon EC2). Możesz wdrożyć klienta i serwery FL na AWS za pomocą Notatniki SageMaker i Usługa Amazon Simple Storage (Amazon S3), utrzymuj regulowany dostęp do danych i modelu za pomocą AWS Zarządzanie tożsamością i dostępem (IAM) role i wykorzystanie Usługa tokena bezpieczeństwa AWS (AWS STS) dla bezpieczeństwa po stronie klienta. Możesz także zbudować własny, niestandardowy system dla FL, korzystając z Amazon EC2.
Aby uzyskać szczegółowy przegląd wdrażania FL z Kwiat Framework na SageMaker i omówienie różnic pomiędzy nim a szkoleniem rozproszonym, patrz Uczenie maszynowe ze zdecentralizowanymi danymi szkoleniowymi przy użyciu stowarzyszonego uczenia się w Amazon SageMaker.
Poniższe rysunki ilustrują architekturę uczenia się transferowego na Florydzie.
Rozwiązanie problemów związanych z danymi na Florydzie
Uczenie się stowarzyszone wiąże się z własnymi wyzwaniami dotyczącymi danych, w tym prywatnością i bezpieczeństwem, ale można je łatwo rozwiązać. Po pierwsze, należy rozwiązać problem heterogeniczności danych w przypadku danych z obrazowania medycznego wynikających z przechowywania danych w różnych ośrodkach i organizacjach uczestniczących, tzw. zmiana domeny problem (tzw zmiana klienta w systemie FL), jak podkreślili Guan i Liu poniżej papier. Może to prowadzić do różnicy w zbieżności modelu globalnego.
Inne elementy, które należy wziąć pod uwagę, obejmują zapewnienie jakości i jednolitości danych u źródła, włączenie wiedzy eksperckiej do procesu uczenia się w celu wzbudzenia zaufania do systemu wśród pracowników służby zdrowia oraz osiągnięcie precyzji modelu. Więcej informacji na temat niektórych potencjalnych wyzwań, jakie możesz napotkać podczas wdrażania, znajdziesz poniżej papier.
AWS pomaga stawić czoła tym wyzwaniom dzięki funkcjom takim jak elastyczne obliczenia Amazon EC2 i wstępnie zbudowanemu rozwiązaniu Obrazy dokowane w SageMaker w celu łatwego wdrożenia. Możesz rozwiązać problemy po stronie klienta, takie jak niezrównoważone zasoby danych i obliczeń dla każdej organizacji węzła. Za pomocą narzędzia możesz rozwiązać problemy z uczeniem się po stronie serwera, takie jak ataki zatruwające ze strony złośliwych stron Wirtualna prywatna chmura Amazon (Amazonka VPC), grupy zabezpieczeńi inne standardy bezpieczeństwa, zapobiegające uszkodzeniom klientów i wdrażające usługi wykrywania anomalii AWS.
AWS pomaga także stawić czoła wyzwaniom wdrożeniowym w świecie rzeczywistym, które mogą obejmować wyzwania związane z integracją, problemy ze zgodnością z obecnymi lub starszymi systemami szpitalnymi oraz przeszkody w adaptacji przez użytkowników, oferując elastyczne, łatwe w użyciu i niewymagające wysiłku rozwiązania technologiczne w zakresie wind.
Dzięki usługom AWS możesz umożliwić badania na dużą skalę oparte na FL oraz wdrożenia i wdrożenia kliniczne, które mogą obejmować różne lokalizacje na całym świecie.
Najnowsze polityki dotyczące interoperacyjności podkreślają potrzebę zintegrowanego uczenia się
Wiele przepisów niedawno przyjętych przez rząd skupia się na interoperacyjności danych, co zwiększa potrzebę międzyorganizacyjnej interoperacyjności danych na potrzeby wywiadu. Można to osiągnąć za pomocą FL, w tym frameworków takich jak TEFCA (Trusted Exchange Framework i Common Agreement) oraz rozszerzone USCDI (Podstawowe dane Stanów Zjednoczonych dotyczące interoperacyjności).
Proponowany pomysł przyczynia się również do inicjatywy CDC w zakresie wychwytywania i dystrybucji CDC idzie do przodu. Poniższy cytat z artykułu GovCIO Udostępnianie danych i sztuczna inteligencja Najważniejsze priorytety Federalnej Agencji Zdrowia w 2024 r również powtarza podobny temat: „Możliwości te mogą również wspierać społeczeństwo w sprawiedliwy sposób, umożliwiając kontakt z pacjentami na miejscu i odblokowując krytyczny dostęp do tych usług. Duża część tej pracy sprowadza się do danych”.
Może to pomóc instytutom i agencjom medycznym w całym kraju (i na całym świecie) w posiadaniu silosów danych. Mogą czerpać korzyści z płynnej i bezpiecznej integracji oraz interoperacyjności danych, dzięki czemu dane medyczne będą przydatne do skutecznych prognoz opartych na uczeniu maszynowym i rozpoznawania wzorców. Możesz zacząć od obrazów, ale podejście to ma zastosowanie również do wszystkich EHR. Celem jest znalezienie najlepszego podejścia dla interesariuszy danych, z potokiem natywnym dla chmury, umożliwiającym normalizację i standaryzację danych lub bezpośrednie wykorzystanie ich na potrzeby FL.
Przeanalizujmy przykładowy przypadek użycia. Dane obrazowe i skany dotyczące udaru serca są rozproszone po całym kraju i na świecie, przechowywane w odizolowanych silosach w instytutach, uniwersytetach i szpitalach, oddzielone granicami biurokratycznymi, geograficznymi i politycznymi. Nie ma jednego zagregowanego źródła ani łatwego sposobu, aby lekarze (nieprogramiści) mogli wyciągnąć z niego wnioski. Jednocześnie nie jest możliwe uczenie modeli ML i DL na podstawie tych danych, co mogłoby pomóc lekarzom w podejmowaniu szybszych i trafniejszych decyzji w krytycznych momentach, gdy skanowanie serca może zająć wiele godzin, a życie pacjenta może wisieć na włosku. balansować.
Inne znane przypadki użycia obejmują POTS (System śledzenia zakupów online) pod adresem NIH (National Institutes of Health) i cyberbezpieczeństwo na potrzeby rozwiązań w zakresie rozproszonej i wielowarstwowej inteligencji w lokalizacjach COMCOM/MAJCOM na całym świecie.
Wnioski
Sfederowane uczenie się jest bardzo obiecujące w zakresie analizy i inteligencji starszych danych dotyczących opieki zdrowotnej. Wdrożenie rozwiązania natywnego w chmurze z usługami AWS jest proste, a FL jest szczególnie przydatny dla organizacji medycznych posiadających starsze dane i wyzwania techniczne. FL może mieć potencjalny wpływ na cały cykl leczenia, a teraz jeszcze bardziej, gdy skupimy się na interoperacyjności danych pochodzących z dużych organizacji federalnych i przywódców rządów.
To rozwiązanie może pomóc Ci uniknąć wymyślania koła na nowo i wykorzystać najnowszą technologię, aby odskoczyć od starszych systemów i zająć czołową pozycję w stale rozwijającym się świecie sztucznej inteligencji. Możesz także zostać liderem najlepszych praktyk i skutecznego podejścia do interoperacyjności danych w obrębie agencji i instytutów oraz pomiędzy nimi w dziedzinie zdrowia i poza nią. Jeśli reprezentujesz instytut lub agencję posiadającą silosy danych rozproszone po całym kraju, możesz skorzystać z tej płynnej i bezpiecznej integracji.
Treść i opinie zawarte w tym poście pochodzą od zewnętrznego autora i AWS nie ponosi odpowiedzialności za treść ani dokładność tego posta. Obowiązkiem każdego klienta jest ustalenie, czy podlega ustawie HIPAA, a jeśli tak, w jaki sposób najlepiej zastosować się do ustawy HIPAA i jej przepisów wykonawczych. Przed użyciem AWS w związku z chronionymi informacjami zdrowotnymi klienci muszą wypełnić Dodatek do współpracy biznesowej AWS (BAA) i postępować zgodnie z jego wymaganiami konfiguracyjnymi.
O autorze
Nitin Kumar (MS, CMU) jest głównym specjalistą ds. analityki danych w T and T Consulting Services, Inc. Posiada rozległe doświadczenie w zakresie prototypowania badawczo-rozwojowego, informatyki medycznej, danych sektora publicznego i interoperacyjności danych. Wykorzystuje swoją wiedzę na temat najnowocześniejszych metod badawczych w sektorze federalnym, aby dostarczać innowacyjne artykuły techniczne, POC i MVP. Współpracował z wieloma agencjami federalnymi, aby rozwijać ich cele w zakresie danych i sztucznej inteligencji. Inne obszary zainteresowań Nitin obejmują przetwarzanie języka naturalnego (NLP), potoki danych i generatywną sztuczną inteligencję.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- O nas
- przyśpieszyć
- dostęp
- Stosownie
- odpowiedzialność
- precyzja
- dokładny
- osiągnięty
- osiągnięcia
- ACM
- w poprzek
- do tego
- adres
- Adresy
- adresowanie
- Przyjęcie
- awansować
- agencje
- agencja
- zagregowane
- Umowa
- AI
- Wszystkie kategorie
- Pozwalać
- również
- Alzheimera
- Amazonka
- Amazon EC2
- Amazon Web Services
- Ameryka
- wśród
- an
- analityka
- i
- wykrywanie anomalii
- każdy
- api
- odpowiedni
- dotyczy
- podejście
- w przybliżeniu
- architektura
- Archiwum
- SĄ
- obszary
- powstające
- na około
- artykuł
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja (AI)
- AS
- aspekt
- oszacowanie
- pomagać
- Współpracownik
- At
- Ataki
- autor
- Autyzm
- automatycznie
- dostępny
- średni
- uniknąć
- z dala
- AWS
- Bilans
- baza
- BE
- bo
- stają się
- staje
- być
- zanim
- za
- jest
- Benchmark
- korzyści
- Korzyści
- BEST
- Najlepsze praktyki
- pomiędzy
- Poza
- stronniczy
- Miliard
- Blog
- plan
- wzmocnienie
- szyjka
- Granice
- Mózg
- przynieść
- budować
- Budowanie
- biurokratyczny
- biznes
- ale
- by
- CA
- CAN
- możliwości
- zdobyć
- który
- walizka
- Etui
- Spowodować
- Przyczyny
- CCPA
- CDC
- scentralizowane
- pewien
- wyzwanie
- wyzwania
- szef
- Dodaj
- Clara
- klient
- Kliniczne
- CMS
- współpracy
- jak
- byliśmy spójni, od początku
- wspólny
- Komunikacja
- porównywalny
- w porównaniu
- zgodność
- wykonania
- składniki
- obliczenia
- obliczać
- warunek
- pewność siebie
- systemu
- połączenie
- wynagrodzenie
- konsolidacja
- Ograniczenia
- consulting
- konsument
- prywatność konsumentów
- zawartość
- kontekstowy
- przyczynia się
- kontrola
- Konwergencja
- przeliczone
- rdzeń
- Korupcja
- kosztowny
- mógłby
- kraj
- pokryty
- krytyczny
- istotny
- niewygodny
- Aktualny
- Obecnie
- zwyczaj
- Klientów
- pionierski nowatorski
- Bezpieczeństwo cybernetyczne
- cykl
- uszkodzić
- dane
- Analityka danych
- Wymiana danych
- analiza danych
- Ochrona danych
- naukowiec danych
- bezpieczeństwo danych
- udostępnianie danych
- zbiory danych
- dzień
- Śmierć
- Zdecentralizowane
- Podejmowanie decyzji
- Decyzje
- głęboko
- głęboka nauka
- dostarczyć
- Departament
- W zależności
- rozwijać
- Wdrożenie
- czerpać
- opisane
- szczegółowe
- Wykrywanie
- Ustalać
- określaniu
- diagnoza
- schemat
- różnica
- różne
- cyfrowy
- kierunek
- bezpośrednio
- niepełnosprawnych
- dyskutować
- dyskusja
- choroba
- dystrybuowane
- szkolenia rozproszone
- 分配
- inny
- Lekarze
- domena
- domeny
- na dół
- dr
- z powodu
- czas trwania
- podczas
- dynamiczny
- każdy
- z łatwością
- łatwo
- łatwy w użyciu
- echa
- faktycznie
- efektywność
- wydajny
- łatwy
- starania
- Elektroniczny
- Elektroniczna rejestracja zdrowia
- wyłączony
- nagły wypadek
- umożliwiać
- Umożliwia
- umożliwiając
- Punkt końcowy
- Inżynieria
- Wzbogacony
- zapewnienie
- Wchodzę
- Cały
- epoki
- sprawiedliwy
- szczególnie
- oceniać
- Parzyste
- Każdy
- wszyscy
- przykład
- przykłady
- wymiana
- rozszerzony
- doświadczenie
- ekspert
- odkryj
- dużym
- rozległy
- Szerokie doświadczenie
- wyciąg
- Twarz
- szybciej
- wykonalny
- Korzyści
- Federalny
- federacyjny
- kilka
- pole
- Postacie
- Akta
- finał
- Znajdź
- Zapory
- i terminów, a
- pięć
- elastyczne
- Skupiać
- obserwuj
- następujący
- W razie zamówieenia projektu
- wytrzymałość
- czoło
- Nasz formularz
- znaleziono
- Framework
- Ramy
- często
- od
- pełny
- dalej
- Ponadto
- `RODO
- Ogólne
- ogólnie
- generatywny
- generatywna sztuczna inteligencja
- geograficzny
- otrzymać
- Dać
- Globalne
- globus
- Go
- cel
- Gole
- Złoto
- gold standard
- dobry
- Rząd
- Liderzy rządowi
- wspaniały
- dorosły
- Gość
- sprzęt komputerowy
- uprzęże
- Wykorzystywanie
- Have
- he
- Zdrowie
- informacje o zdrowiu
- opieki zdrowotnej
- Serce
- ciężki
- pomoc
- pomocny
- pomaga
- tutaj
- na wysokim szczeblu
- wysokiej jakości
- Atrakcja
- Podświetlony
- utrudniać
- jego
- posiada
- szpital
- szpitale
- Hosting
- GODZINY
- W jaki sposób
- Jednak
- HTML
- http
- HTTPS
- Przeszkody
- pomysł
- tożsamość
- IEEE
- if
- zilustrować
- ilustruje
- obraz
- zdjęcia
- Obrazowanie
- Rezultat
- wpływowy
- wdrożenia
- realizacja
- wykonawczych
- ważny
- podnieść
- ulepszenia
- poprawy
- in
- niedokładny
- Inc
- zawierać
- Włącznie z
- Włącznie
- włączać
- włączenie
- indywidualny
- Informacja
- poinformowany
- informuje
- Infrastruktura
- inicjatywa
- Innowacyjny
- spostrzeżenia
- inspirować
- Instytut
- instytucje
- ubezpieczenie
- integracja
- Inteligencja
- na świecie
- Internet
- Interoperacyjność
- najnowszych
- odosobniony
- problemy
- IT
- JEGO
- przystąpić
- jpeg
- jpg
- właśnie
- konserwacja
- wiedza
- znany
- Kumar
- etykietowanie
- język
- duży
- na dużą skalę
- firmy
- Laws
- prowadzić
- lider
- Przywódcy
- prowadzący
- Skakać
- nauka
- Pozostawiać
- Dziedzictwo
- poziom
- biblioteki
- Biblioteka
- życie
- wifecycwe
- lekki
- lubić
- ograniczenie
- Lista
- Zyje
- miejscowy
- lokalizacji
- długoterminowy
- dłużej
- stracić
- Partia
- maszyna
- uczenie maszynowe
- maszyny
- utrzymać
- robić
- WYKONUJE
- Dokonywanie
- złośliwy
- zarządzający
- podręcznik
- wiele
- mapa
- mapowanie
- massachusetts
- Instytut Technologii w Massachusetts
- masywny
- maksymalny
- Może..
- medyczny
- dane medyczne
- Medicare
- lekarstwo
- Spotkanie
- wzmiankowany
- Łączyć
- Metadane
- metody
- może
- minut
- MIT
- ML
- model
- modelowanie
- modele
- jeszcze
- większość
- Najbardziej popularne posty
- przeniesienie
- MRI
- dużo
- wielostronny
- wielokrotność
- musi
- MVP
- narodowy
- Narodowy Instytut Zdrowia
- Naturalny
- Przetwarzanie języka naturalnego
- Natura
- Potrzebować
- potrzebne
- wymagania
- sieci
- Neurony
- Nowości
- nowsza
- NIH
- nlp
- Nie
- węzeł
- Północ
- Ameryka Północna
- już dziś
- numer
- Nvidia
- przeszkoda
- Przeszkody
- of
- oferta
- oferuje
- Oferty
- Oficerowie
- często
- on
- ONE
- Online
- Opinie
- optymalizacja
- Opcje
- or
- organizacja
- organizacji
- Inne
- Inaczej
- zewnętrzne
- koniec
- przezwyciężaniu
- nad głową
- zakładka
- przegląd
- własny
- Papier
- Papiery
- Uczestnicy
- uczestnictwo
- strony
- przyjęcie
- minęło
- pacjent
- pacjenci
- Wzór
- wzory
- Pensylwania
- Ludzie
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- osoba
- osobisty
- dane personalne
- faza
- piloci
- rurociąg
- plato
- Analiza danych Platona
- PlatoDane
- zatrucie
- polityka
- polityka
- polityczny
- Popularny
- ruchliwość
- poza
- możliwy
- Post
- potencjał
- power
- uprawnienia
- praktyki
- Detaliczność
- Przewidywania
- wstępny
- przygotowanie
- zapobiec
- zapobieganie
- pierwotny
- prywatność
- Prywatność i bezpieczeństwo
- prywatny
- Problem
- problemy
- wygląda tak
- procesów
- przetwarzanie
- specjalistów
- projektowanie
- obietnica
- odsetek
- zaproponować
- zaproponowane
- własność
- chroniony
- ochrona
- prototypowanie
- zapewnia
- że
- publiczny
- publicznie
- nabywczy
- położyć
- jakość
- Szybki
- szybko
- całkiem
- zacytować
- R & D
- radykalnie
- zakresy
- Surowy
- RE
- dosięgnąć
- real
- Prawdziwy świat
- Przyczyny
- niedawno
- uznanie
- dokumentacja
- nawracający
- zmniejszyć
- odnosić się
- , o którym mowa
- regularny
- regularnie
- regulowane
- regulamin
- związane z
- rzetelny
- usuwanie
- składnica
- reprezentacja
- wymagania
- Badania naukowe
- Instytucje badawcze
- Badacze
- rozwiązać
- Zasoby
- osób
- odpowiedzialność
- odpowiedzialny
- Ograniczenia
- dalsze
- Efekt
- Bogaty
- krzepki
- role
- korzeń
- sagemaker
- taki sam
- próba
- Zapisz
- oszczędność
- Skalowalność
- skany
- rozrzucone
- scenariusze
- szeregowanie
- Naukowiec
- bezszwowy
- płynnie
- druga
- wtórny
- działy
- sektor
- bezpieczne
- bezpieczeństwo
- token bezpieczeństwa
- segmentacja
- wybór
- wrażliwy
- Serwery
- Usługi
- Zestawy
- w panelu ustawień
- kilka
- Share
- shared
- dzielenie
- pokazać
- pokazane
- znaczący
- znacznie
- Silosy
- podobny
- Podobnie
- Prosty
- pojedynczy
- Witryny
- Siedzący
- Rozmiar
- mały
- So
- Społeczeństwo
- rozwiązanie
- Rozwiązania
- kilka
- czasami
- Źródło
- Typ przestrzeni
- specyficzny
- swoiście
- Personel
- interesariusze
- standard
- standardy
- początek
- rozpoczęty
- Zjednoczone
- statystyczny
- Cel
- Nadal
- przechowywanie
- przechowywany
- bezpośredni
- przedmiot
- podsieci
- wsparcie
- system
- systemy
- Brać
- trwa
- Zadanie
- zadania
- Zespoły
- tech
- Techniczny
- Technologies
- Technologia
- tensorflow
- przetestowany
- Testowanie
- niż
- że
- Połączenia
- Źródło
- świat
- ich
- Im
- motyw
- Tam.
- a tym samym
- w związku z tym
- Te
- one
- innych firm
- to
- tych
- Przez
- dokręcanie
- czas
- czasy
- do
- razem
- żeton
- także
- narzędzia
- Top
- w kierunku
- Śledzenie
- tradycyjny
- Pociąg
- przeszkolony
- Trening
- pociągi
- przenieść
- Przekształcać
- transformatorowy
- tranzyt
- leczony
- leczenie
- zaufany
- Uk
- bezinteresowny
- dla
- Ujednolicony
- jednostka
- zjednoczyć
- Zjednoczony
- United States
- Uniwersytety
- uniwersytet
- w odróżnieniu
- odblokowywanie
- nie wykorzystany
- zaktualizowane
- na
- us
- nadający się do użytku
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Przyjęcie użytkownika
- zastosowania
- za pomocą
- Cenny
- wartość
- wariacje
- różnorodny
- sprzedawców
- przez
- Ofiary
- Wirtualny
- chcieć
- Droga..
- we
- sieć
- usługi internetowe
- DOBRZE
- Koło
- jeśli chodzi o komunikację i motywację
- czy
- który
- Podczas
- dlaczego
- rozpowszechniony
- w
- w ciągu
- bez
- słowa
- Praca
- pracował
- pracujący
- działa
- świat
- by
- napisany
- rok
- lat
- jeszcze
- You
- Twój
- zefirnet