A análise de imagens médicas desempenha um papel crucial no diagnóstico e tratamento de doenças. A capacidade de automatizar esse processo usando técnicas de aprendizado de máquina (ML) permite que os profissionais de saúde diagnostiquem mais rapidamente certos tipos de câncer, doenças coronarianas e condições oftalmológicas. No entanto, um dos principais desafios enfrentados por médicos e pesquisadores nesta área é a natureza complexa e demorada da construção de modelos de ML para classificação de imagens. Os métodos tradicionais exigem experiência em codificação e amplo conhecimento de algoritmos de ML, o que pode ser uma barreira para muitos profissionais de saúde.
Para suprir essa lacuna, usamos Tela do Amazon SageMaker, uma ferramenta visual que permite aos médicos criar e implantar modelos de ML sem codificação ou conhecimento especializado. Essa abordagem fácil de usar elimina a curva de aprendizado acentuada associada ao ML, o que libera os médicos para se concentrarem em seus pacientes.
O Amazon SageMaker Canvas oferece uma interface de arrastar e soltar para a criação de modelos de ML. Os médicos podem selecionar os dados que desejam usar, especificar o resultado desejado e observar como o modelo é construído e treinado automaticamente. Depois que o modelo é treinado, ele gera previsões precisas.
Essa abordagem é ideal para médicos que desejam usar o ML para melhorar seu diagnóstico e decisões de tratamento. Com o Amazon SageMaker Canvas, eles podem usar o poder do ML para ajudar seus pacientes, sem precisar ser um especialista em ML.
A classificação de imagens médicas impacta diretamente os resultados dos pacientes e a eficiência dos cuidados de saúde. A classificação oportuna e precisa de imagens médicas permite a detecção precoce de doenças, auxiliando no planejamento e monitoramento eficazes do tratamento. Além disso, a democratização do ML por meio de interfaces acessíveis como o Amazon SageMaker Canvas permite que uma gama mais ampla de profissionais de saúde, incluindo aqueles sem formação técnica extensa, contribuam para o campo da análise de imagens médicas. Esta abordagem inclusiva promove a colaboração e a partilha de conhecimentos e, em última análise, conduz a avanços na investigação em saúde e a melhores cuidados aos pacientes.
Nesta postagem, exploraremos os recursos do Amazon SageMaker Canvas na classificação de imagens médicas, discutiremos seus benefícios e destacaremos casos de uso do mundo real que demonstram seu impacto em diagnósticos médicos.
Caso de uso
O câncer de pele é uma doença grave e potencialmente mortal e, quanto mais cedo for detectado, maiores serão as chances de um tratamento bem-sucedido. Estatisticamente, o cancro da pele (por exemplo, carcinomas basocelulares e espinocelulares) é um dos tipos de cancro mais comuns e leva a centenas de milhares de mortes. no mundo todo cada ano. Ela se manifesta através do crescimento anormal das células da pele.
No entanto, o diagnóstico precoce aumenta drasticamente as chances de recuperação. Além disso, pode tornar desnecessárias as terapias cirúrgicas, radiográficas ou quimioterápicas ou diminuir a sua utilização global, ajudando a reduzir os custos de saúde.
O processo de diagnóstico do câncer de pele começa com um procedimento denominado dermatoscopia[1], que inspeciona a forma geral, o tamanho e as características de cor das lesões cutâneas. As lesões suspeitas são então submetidas a novas amostragens e testes histológicos para confirmação do tipo de célula cancerígena. Os médicos usam vários métodos para detectar o câncer de pele, começando pela detecção visual. O Centro Americano para o Estudo de Dermatologia desenvolveu um guia para o possível formato do melanoma, chamado ABCD (assimetria, borda, cor, diâmetro) e é utilizado pelos médicos para rastreamento inicial da doença. Se for encontrada uma suspeita de lesão cutânea, o médico fará uma biópsia da lesão visível na pele e a examinará microscopicamente para obter um diagnóstico benigno ou maligno e o tipo de câncer de pele. Os modelos de visão computacional podem desempenhar um papel valioso ajudando a identificar manchas ou lesões suspeitas, o que permite um diagnóstico mais precoce e preciso.
A criação de um modelo de detecção de câncer é um processo de várias etapas, conforme descrito abaixo:
- Reúna um grande conjunto de dados de imagens de pele saudável e pele com vários tipos de lesões cancerígenas ou pré-cancerosas. Este conjunto de dados precisa ser cuidadosamente selecionado para garantir precisão e consistência.
- Use técnicas de visão computacional para pré-processar as imagens e extrair informações relevantes para diferenciar entre pele saudável e cancerosa.
- Treine um modelo de ML nas imagens pré-processadas, usando uma abordagem de aprendizagem supervisionada para ensinar o modelo a distinguir entre diferentes tipos de pele.
- Avalie o desempenho do modelo usando uma variedade de métricas, como precisão e recall, para garantir que ele identifique com precisão a pele cancerosa e minimize os falsos positivos.
- Integre o modelo em uma ferramenta fácil de usar que possa ser usada por dermatologistas e outros profissionais de saúde para auxiliar na detecção e diagnóstico do câncer de pele.
No geral, o processo de desenvolvimento de um modelo de detecção de câncer de pele a partir do zero normalmente requer recursos e conhecimentos significativos. É aqui que o Amazon SageMaker Canvas pode ajudar a simplificar o tempo e o esforço das etapas 2 a 5.
Visão geral da solução
Para demonstrar a criação de um modelo de visão computacional de câncer de pele sem escrever nenhum código, usamos um conjunto de dados de imagens de câncer de pele dermatoscópico publicado pela Harvard Dataverse. Usamos o conjunto de dados, que pode ser encontrado em HAM10000 e consiste em 10,015 imagens dermatoscópicas, para construir um modelo de classificação de câncer de pele que preveja as classes de câncer de pele. Alguns pontos-chave sobre o conjunto de dados:
- O conjunto de dados serve como um conjunto de treinamento para fins acadêmicos de ML.
- Inclui uma coleção representativa de todas as categorias diagnósticas importantes no domínio das lesões pigmentadas.
- Algumas categorias no conjunto de dados são: ceratoses actínicas e carcinoma intraepitelial / doença de Bowen (akiec), carcinoma basocelular (coco), lesões benignas semelhantes à ceratose (lentigos solares / ceratoses seborreicas e ceratoses semelhantes ao líquen plano, bkl), dermatofibroma ( df), melanoma (mel), nevos melanocíticos (nv) e lesões vasculares (angiomas, angioqueratomas, granulomas piogênicos e hemorragia, vasc)
- Mais de 50% das lesões no conjunto de dados são confirmadas através de histopatologia (histo).
- A verdade básica para o resto dos casos é determinada através de exame de acompanhamento (
follow_up
), consenso de especialistas (consenso) ou confirmação por in vivo microscopia confocal (confocal). - O conjunto de dados inclui lesões com múltiplas imagens, que podem ser rastreadas usando o
lesion_id
coluna dentro doHAM10000_metadata
arquivo.
Mostramos como simplificar a classificação de imagens para diversas categorias de câncer de pele sem escrever nenhum código usando o Amazon SageMaker Canvas. Dada a imagem de uma lesão de pele, a classificação de imagens do SageMaker Canvas classifica automaticamente uma imagem em câncer benigno ou possível.
Pré-requisitos
- Acesso a um AWS conta com permissões para criar os recursos descritos na seção de etapas.
- Um AWS Identity and Access Management (usuário AWS IAM) com permissões totais para usar o Amazon SageMaker.
Passo a passo
- Configurar domínio SageMaker
- Crie um domínio do Amazon SageMaker usando as etapas descritas SUA PARTICIPAÇÃO FAZ A DIFERENÇA.
- Faça o download do HAM10000 conjunto de dados.
- Configurar conjuntos de dados
- Crie um Amazon Simple Storage Service (Amazon S3) bucket com um nome exclusivo, que é
image-classification-<ACCOUNT_ID>
onde ACCOUNT_ID é seu número de conta exclusivo da AWS. - Neste bucket crie duas pastas:
training-data
etest-data
. - Em dados de treinamento, crie sete pastas para cada uma das categorias de câncer de pele identificadas no conjunto de dados:
akiec
,bcc
,bkl
,df
,mel
,nv
evasc
. - O conjunto de dados inclui lesões com múltiplas imagens, que podem ser rastreadas pelo
lesion_id-column
dentro doHAM10000_metadata
Arquivo. Usando olesion_id-column
, copie as imagens correspondentes na pasta correta (ou seja, você pode começar com 100 imagens para cada classificação).
- Crie um Amazon Simple Storage Service (Amazon S3) bucket com um nome exclusivo, que é
- Usar tela do Amazon SageMaker
- Vou ao Amazon Sage Maker serviço no console e selecione Quadros da lista. Quando estiver na página Canvas, selecione tela aberta botão.
- Quando estiver na página Canvas, selecione Meus modelos e depois escolha novo Modelo à direita da sua tela.
- Uma nova janela pop-up é aberta, onde nomeamos imagem_classificar como o nome do modelo e selecione Análise de imagem sob o Tipo de problema.
- Importar o conjunto de dados
- Na próxima página, selecione Criar conjunto de dados e na caixa pop-up nomeie o conjunto de dados como imagem_classificar e selecione o Crie botão.
- Na próxima página, altere o Fonte de dados para Amazon S3. Você também pode fazer upload diretamente das imagens (ou seja, Carregamento local).
- Quando você seleciona Amazon S3, você obterá a lista de buckets presentes em sua conta. Selecione o bucket pai que contém o conjunto de dados na subpasta (por exemplo, imagem-classificar-2023 e selecione Datas de importação botão. Isso permite que o Amazon SageMaker Canvas rotule rapidamente as imagens com base nos nomes das pastas.
- Depois que o conjunto de dados for importado com sucesso, você verá o valor na coluna Status mudar para Pronto da Tratamento.
- Agora selecione seu conjunto de dados escolhendo Selecione o conjunto de dados na parte inferior da sua página.
- Construa seu modelo
- No Construa página, você deverá ver seus dados importados e rotulados de acordo com o nome da pasta no Amazon S3.
- Selecione os Construção rápida botão (ou seja, o conteúdo destacado em vermelho na imagem a seguir) e você verá duas opções para construir o modelo. O primeiro é o Construção rápida e o segundo é Versão padrão. Como o nome sugere, a opção de construção rápida fornece velocidade em vez de precisão e leva cerca de 15 a 30 minutos para construir o modelo. A construção padrão prioriza a precisão em detrimento da velocidade, e a construção do modelo leva de 45 minutos a 4 horas para ser concluída. A compilação padrão executa experimentos usando diferentes combinações de hiperparâmetros e gera muitos modelos no back-end (usando a funcionalidade SageMaker Autopilot) e, em seguida, escolhe o melhor modelo.
- Selecionar Versão padrão para começar a construir o modelo. Demora cerca de 2 a 5 horas para ser concluído.
- Depois que a construção do modelo for concluída, você poderá ver uma precisão estimada conforme mostrado na Figura 11.
- Se você selecionar a Marcar guia, ela deve fornecer informações sobre a precisão do modelo. Além disso, podemos selecionar o Métricas avançadas botão no Marcar para visualizar a precisão, recall e pontuação F1 (uma medida equilibrada de precisão que leva em consideração o equilíbrio da classe).
- As métricas avançadas que o Amazon SageMaker Canvas mostra dependem de o seu modelo executar previsões numéricas, categóricas, de imagem, de texto ou de série temporal em seus dados. Neste caso, acreditamos que a recordação é mais importante do que a precisão porque falhar a detecção do cancro é muito mais perigoso do que detectar correctamente. A previsão categórica, como a previsão de 2 categorias ou a previsão de 3 categorias, refere-se ao conceito matemático de classificação. O métrica avançada recall é a fração de verdadeiros positivos (TP) de todos os positivos reais (TP + falsos negativos). Mede a proporção de instâncias positivas que foram corretamente previstas como positivas pelo modelo. Por favor consulte isto Um mergulho profundo nas métricas avançadas do Amazon SageMaker Canvas para um mergulho profundo nas métricas avançadas.
Isso conclui a etapa de criação do modelo no Amazon SageMaker Canvas.
- Teste seu modelo
- Agora você pode escolher o Prever botão, que leva você ao Prever página, onde você pode enviar suas próprias imagens através Previsão única or Previsão de lote. Defina a opção de sua preferência e selecione importação para fazer upload de sua imagem e testar o modelo.
- Vamos começar fazendo uma previsão de imagem única. Certifique-se de que você está no Previsão única e escolha Importar imagem. Isso leva você a uma caixa de diálogo onde você pode optar por enviar sua imagem de Amazon S3, ou faça um Carregamento local. No nosso caso, selecionamos Amazon S3 e navegue até nosso diretório onde temos as imagens de teste e selecione qualquer imagem. Em seguida, selecione Datas de importação.
- Uma vez selecionado, você deverá ver a tela dizendo Gerando resultados de previsão. Você deverá receber seus resultados em alguns minutos, conforme mostrado abaixo.
- Agora vamos tentar a previsão em lote. Selecione Previsão de lote para Executar previsões e selecione o Importar novo conjunto de dados botão e nomeie-o Previsão em lote e acertar o Crie botão.
- Na próxima janela, certifique-se de ter selecionado upload do Amazon S3 e navegue até o diretório onde temos nosso conjunto de testes e selecione o Datas de importação botão.
- Assim que as imagens estiverem em Pronto status, selecione o botão de opção para o conjunto de dados criado e escolha Gerar previsões. Agora, você deve ver o status do lote de previsão em lote para Gerando previsões. Vamos esperar alguns minutos pelos resultados.
- Quando o status estiver em Pronto estado, escolha o nome do conjunto de dados que leva você a uma página que mostra a previsão detalhada de todas as nossas imagens.
- Outro recurso importante da previsão em lote é poder verificar os resultados e também baixar a previsão em um arquivo zip ou csv para uso posterior ou compartilhamento.
Com isso, você conseguiu criar um modelo, treiná-lo e testar sua previsão com o Amazon SageMaker Canvas.
Limpando
Escolha Finalizar Sessão no painel de navegação esquerdo para sair do aplicativo Amazon SageMaker Canvas e interromper o consumo de Horas de instância do espaço de trabalho do SageMaker Canvas e liberar todos os recursos.
Citação
[1]Fraiwan M, Faouri E. Sobre a detecção e classificação automática de câncer de pele usando aprendizagem por transferência profunda. Sensores (Basileia). 2022 30 de junho;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; IDPM: PMC9269808.
Conclusão
Neste post, mostramos como a análise de imagens médicas utilizando técnicas de ML pode agilizar o diagnóstico do câncer de pele e sua aplicabilidade no diagnóstico de outras doenças. No entanto, construir modelos de ML para classificação de imagens costuma ser complexo e demorado, exigindo experiência em codificação e conhecimento de ML. O Amazon SageMaker Canvas superou esse desafio fornecendo uma interface visual que elimina a necessidade de codificação ou habilidades especializadas em ML. Isso permite que os profissionais de saúde usem o ML sem uma curva de aprendizado acentuada, permitindo que se concentrem no atendimento ao paciente.
O processo tradicional de desenvolvimento de um modelo de detecção de câncer é complicado e demorado. Envolve reunir um conjunto de dados selecionado, pré-processar imagens, treinar um modelo de ML, avaliar seu desempenho e integrá-lo em uma ferramenta fácil de usar para profissionais de saúde. O Amazon SageMaker Canvas simplificou as etapas do pré-processamento à integração, o que reduziu o tempo e o esforço necessários para criar um modelo de detecção de câncer de pele.
Nesta postagem, investigamos os poderosos recursos do Amazon SageMaker Canvas na classificação de imagens médicas, esclarecendo seus benefícios e apresentando casos de uso do mundo real que mostram seu profundo impacto nos diagnósticos médicos. Um caso de uso atraente que exploramos foi a detecção do câncer de pele e como o diagnóstico precoce muitas vezes melhora significativamente os resultados do tratamento e reduz os custos de saúde.
É importante reconhecer que a precisão do modelo pode variar dependendo de fatores, como o tamanho do conjunto de dados de treinamento e o tipo específico de modelo empregado. Essas variáveis desempenham um papel na determinação do desempenho e da confiabilidade dos resultados da classificação.
O Amazon SageMaker Canvas pode servir como uma ferramenta inestimável que auxilia profissionais de saúde no diagnóstico de doenças com maior precisão e eficiência. No entanto, é vital observar que não se destina a substituir a experiência e o julgamento dos profissionais de saúde. Em vez disso, capacita-os, aumentando as suas capacidades e permitindo diagnósticos mais precisos e expeditos. O elemento humano continua essencial no processo de tomada de decisão, e a colaboração entre profissionais de saúde e ferramentas de inteligência artificial (IA), incluindo o Amazon SageMaker Canvas, é fundamental para fornecer atendimento ideal ao paciente.
Sobre os autores
Ramakant Joshi é um arquiteto de soluções da AWS, especializado em análise e domínio sem servidor. Ele tem experiência em desenvolvimento de software e arquiteturas híbridas e é apaixonado por ajudar os clientes a modernizar sua arquitetura de nuvem.
Jake Wen é arquiteto de soluções na AWS, movido por uma paixão por aprendizado de máquina, processamento de linguagem natural e aprendizado profundo. Ele auxilia os clientes empresariais a alcançar a modernização e a implantação escalonável na nuvem. Além do mundo da tecnologia, Jake gosta de andar de skate, fazer caminhadas e pilotar drones aéreos.
Sonu Kumar Singh é arquiteto de soluções AWS, com especialização em domínio analítico. Ele tem sido fundamental na catalisação de mudanças transformadoras nas organizações, permitindo a tomada de decisões baseada em dados, alimentando assim a inovação e o crescimento. Ele gosta quando algo que projetou ou criou traz um impacto positivo. Na AWS, sua intenção é ajudar os clientes a extrair valor dos mais de 200 serviços em nuvem da AWS e capacitá-los em sua jornada para a nuvem.
Dariush Azimi é arquiteto de soluções na AWS, com especialização em aprendizado de máquina, processamento de linguagem natural (PNL) e arquitetura de microsserviços com Kubernetes. Sua missão é capacitar as organizações para aproveitarem todo o potencial de seus dados por meio de soluções abrangentes de ponta a ponta, abrangendo armazenamento de dados, acessibilidade, análise e recursos preditivos.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :tem
- :é
- :onde
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- habilidade
- Capaz
- Sobre
- acadêmico
- Acesso
- acessibilidade
- acessível
- Conta
- precisão
- preciso
- exatamente
- alcançar
- reconhecer
- real
- endereço
- endereçado
- avançar
- avançado
- avanços
- AI
- Ajuda
- AR
- algoritmos
- Todos os Produtos
- Permitindo
- permite
- tb
- Amazon
- Amazon Sage Maker
- Tela do Amazon SageMaker
- Amazon Web Services
- americano
- an
- análise
- analítica
- e
- qualquer
- Aplicação
- abordagem
- arquitetura
- SOMOS
- por aí
- artificial
- inteligência artificial
- Inteligência artificial (AI)
- AS
- ajuda
- associado
- At
- automatizar
- Automático
- automaticamente
- AWS
- Backend
- fundo
- fundos
- Equilíbrio
- barreira
- baseado
- Basel
- BE
- Porque
- sido
- Acreditar
- abaixo
- Benefícios
- MELHOR
- Melhor
- entre
- Pós
- fronteira
- Inferior
- Caixa
- Traz
- mais amplo
- construir
- Prédio
- Constrói
- botão
- by
- chamado
- CAN
- Câncer
- lona
- capacidades
- Cuidado
- cuidadosamente
- casas
- casos
- catalisando
- Categorias
- Células
- Centralização de
- certo
- desafiar
- desafios
- chance
- chances
- alterar
- características
- escolha
- Escolha
- escolha
- classe
- aulas
- classificação
- médicos
- Na nuvem
- serviços na nuvem
- código
- Codificação
- colaboração
- coleção
- cor
- Coluna
- combinações
- comum
- atraente
- completar
- Completa
- integrações
- compreensivo
- computador
- Visão de Computador
- conceito
- condições
- confirmação
- CONFIRMADO
- Consenso
- consiste
- cônsul
- consumo
- conteúdo
- contribuir
- correta
- Correspondente
- custos
- poderia
- crio
- criado
- Criar
- criação
- crucial
- pesado
- comissariada
- curva
- Clientes
- Perigoso
- dados,
- armazenamento de dados
- orientado por dados
- Dataverso
- mortes
- Tomada de Decisão
- decisões
- profundo
- mergulho profundo
- deep learning
- deliciar
- democratização
- demonstrar
- Dependendo
- implantar
- desenvolvimento
- descrito
- projetado
- desejado
- detalhado
- descobrir
- detectou
- Detecção
- determinado
- determinando
- desenvolvido
- em desenvolvimento
- Desenvolvimento
- diálogo
- diferente
- diferenciar
- diretamente
- discutir
- Doença
- doenças
- distinguir
- mergulho
- do
- Médico
- Médicos
- fazer
- domínio
- download
- drasticamente
- dirigido
- Drones
- e
- cada
- Mais cedo
- Cedo
- Eficaz
- eficiência
- esforço
- elemento
- elimina
- empregada
- autorizar
- empodera
- permite
- permitindo
- abrangente
- end-to-end
- Melhora
- garantir
- Empreendimento
- essencial
- estimado
- avaliar
- Examina
- a acelerar
- experimentos
- especialista
- experiência
- explorar
- Explorado
- extenso
- extrato
- f1
- enfrentou
- fatores
- falso
- longe
- Característica
- poucos
- campo
- Figura
- Envie o
- encontra
- Primeiro nome
- Foco
- seguinte
- Escolha
- promove
- encontrado
- fração
- da
- cheio
- funcionalidade
- mais distante
- lacuna
- coleta
- Geral
- gerar
- gera
- ter
- dado
- maior
- Solo
- Growth
- guia
- arreios
- Harvard
- Ter
- he
- saúde
- saudável
- ajudar
- ajuda
- Destaques
- sua
- Acertar
- detém
- HORÁRIO
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- HTML
- HTTPS
- humano
- Elemento Humano
- Centenas
- HÍBRIDO
- i
- ideal
- identificado
- identifica
- identificar
- Identidade
- if
- imagem
- Classificação de imagem
- imagens
- Impacto
- Impacto
- importar
- importante
- melhorar
- melhorado
- in
- inclui
- Incluindo
- Inclusivo
- Aumenta
- do estado inicial,
- Inovação
- insights
- instância
- instrumental
- integrar
- integração
- Inteligência
- Pretendido
- Intenção
- Interface
- interfaces de
- para dentro
- inestimável
- IT
- ESTÁ
- se
- viagem
- jpg
- Chave
- Conhecimento
- Kumar
- O rótulo
- marcação
- língua
- grande
- Leads
- aprendizagem
- esquerda
- leve
- como
- Lista
- listagem
- log
- máquina
- aprendizado de máquina
- fazer
- de grupos
- muitos
- matemático
- Posso..
- a medida
- medidas
- médico
- métodos
- Métrica
- Microscopia
- microsserviços
- minimiza
- Minutos
- desaparecido
- Missão
- ML
- modelo
- modelos
- modernizar
- monitoração
- mais
- Além disso
- a maioria
- múltiplo
- nome
- nomes
- natural
- Processamento de linguagem natural
- Natureza
- Navegar
- Navegação
- você merece...
- necessitando
- Cria
- negativos
- Novo
- Próximo
- NIH
- PNL
- agora
- NV
- objetos
- of
- frequentemente
- on
- uma vez
- ONE
- abre
- ideal
- Opção
- Opções
- or
- organizações
- Outros
- A Nossa
- Fora
- resultados
- delineado
- saída
- Acima de
- global
- próprio
- página
- pão
- paixão
- apaixonado
- paciente
- pacientes
- para
- atuação
- executa
- permissões
- Picks
- pilotagem
- essencial
- planejamento
- platão
- Inteligência de Dados Platão
- PlatãoData
- Jogar
- desempenha
- por favor
- pontos
- pop-up
- positivo
- possível
- Publique
- potencial
- potencialmente
- poder
- poderoso
- preciso
- Precisão
- previsto
- predição
- Previsões
- Previsões
- presente
- prioriza
- procedimentos
- processo
- em processamento
- profundo
- proporção
- fornecer
- fornece
- fornecendo
- publicado
- fins
- Links
- rapidamente
- Rádio
- alcance
- em vez
- mundo real
- reino
- recuperação
- reduzir
- Reduzido
- reduz
- referir
- refere-se
- liberar
- relevante
- confiabilidade
- permanece
- substituir
- representante
- requerer
- requeridos
- exige
- pesquisa
- pesquisadores
- Recursos
- DESCANSO
- Resultados
- certo
- Tipo
- é executado
- sábio
- diz
- escalável
- Ponto
- arranhar
- Peneira
- peneiramento
- Segundo
- Seção
- Vejo
- selecionado
- sensor
- Série
- grave
- servir
- Serverless
- serve
- serviço
- Serviços
- conjunto
- Sete
- Shape
- compartilhando
- Turnos
- rede de apoio social
- mostrar
- mostrou
- mostrando
- Shows
- periodo
- de forma considerável
- simples
- simplificada
- simplificar
- solteiro
- Tamanho
- Habilidades
- Pele
- Software
- desenvolvimento de software
- solar
- solução
- Soluções
- algo
- especializado
- especializando
- específico
- velocidade
- padrão
- começo
- Comece
- começa
- Estado
- Status
- Passo
- Passos
- Dê um basta
- armazenamento
- Estudo
- bem sucedido
- entraram com sucesso
- tal
- sugerir
- certo
- cirúrgico
- suspeito
- toma
- tomar
- tecnologia
- Dados Técnicos:
- técnicas
- teste
- testes
- texto
- do que
- que
- A
- deles
- Eles
- então
- Lá.
- assim
- Este
- deles
- isto
- aqueles
- milhares
- Através da
- tempo
- Séries temporais
- demorado
- oportuno
- para
- ferramenta
- ferramentas
- tp
- tradicional
- Trem
- treinado
- Training
- trens
- transferência
- transformadora
- tratamento
- tratamento
- verdadeiro
- Verdade
- tentar
- dois
- tipo
- tipos
- tipicamente
- Em última análise
- para
- sofrer
- único
- desnecessário
- Uso
- usar
- caso de uso
- usava
- user-friendly
- utilização
- Valioso
- valor
- variedade
- vário
- verificar
- Ver
- visível
- visão
- vital
- esperar
- queremos
- foi
- Assistir
- we
- web
- serviços web
- foram
- quando
- se
- qual
- QUEM
- janela
- de
- dentro
- sem
- Workshops
- mundo
- escrita
- ano
- Vocês
- investimentos
- zefirnet
- Zip