Aceasta este o postare pe blog pentru invitați, scrisă de Nitin Kumar, cercetător principal de date la T and T Consulting Services, Inc.
În această postare, discutăm despre valoarea și impactul potențial al învățării federate în domeniul sănătății. Această abordare poate ajuta pacienții cu accident vascular cerebral, medicii și cercetătorii cu diagnosticare mai rapidă, luare a deciziilor îmbogățită și cercetare mai informată și incluzivă asupra problemelor de sănătate legate de accident vascular cerebral, folosind o abordare nativă în cloud cu serviciile AWS pentru o ridicare ușoară și o adoptare simplă. .
Probleme de diagnostic cu accidente vasculare cerebrale
Statistici din Centrele pentru Controlul si Prevenirea Bolilor (CDC) arată că în fiecare an în SUA, peste 795,000 de oameni suferă de primul lor accident vascular cerebral, iar aproximativ 25% dintre ei suferă atacuri recurente. Este cauza numărul cinci de deces, conform Asociația Americană de AVC și o cauză principală de dizabilitate în SUA. Prin urmare, este crucial să existe un diagnostic și un tratament prompt pentru a reduce leziunile cerebrale și alte complicații la pacienții cu accident vascular cerebral acut.
CT-urile și RMN-urile sunt standardul de aur în tehnologiile imagistice pentru clasificarea diferitelor subtipuri de accidente vasculare cerebrale și sunt cruciale în timpul evaluării preliminare a pacienților, determinând cauza principală și tratament. O provocare critică aici, în special în cazul accidentului vascular cerebral acut, este momentul diagnosticării imagistice, care variază în medie de la 30 de minute până la o oră și poate fi mult mai lungă în funcție de aglomerația departamentului de urgență.
Medicii și personalul medical au nevoie de un diagnostic de imagine rapid și precis pentru a evalua starea pacientului și pentru a propune opțiuni de tratament. În propriile cuvinte ale Dr. Werner Vogels la AWS re:Invent 2023, „fiecare secundă în care o persoană are un accident vascular cerebral contează”. Victimele accidentului vascular cerebral pot pierde aproximativ 1.9 miliarde de neuroni în fiecare secundă în care nu sunt tratate.
Restricții privind datele medicale
Puteți utiliza învățarea automată (ML) pentru a ajuta medicii și cercetătorii în sarcinile de diagnosticare, accelerând astfel procesul. Cu toate acestea, seturile de date necesare pentru a construi modelele ML și pentru a oferi rezultate fiabile se află în siloz în diferite sisteme și organizații de asistență medicală. Aceste date moștenite izolate au potențialul de a avea un impact masiv dacă sunt cumulate. Deci de ce nu a fost folosit încă?
Există mai multe provocări atunci când lucrați cu seturi de date din domeniul medical și construiți soluții ML, inclusiv confidențialitatea pacientului, securitatea datelor personale și anumite restricții birocratice și de politică. În plus, instituțiile de cercetare și-au înăsprit practicile de schimb de date. Aceste obstacole împiedică, de asemenea, echipele internaționale de cercetare să lucreze împreună la seturi de date diverse și bogate, care ar putea salva vieți și ar putea preveni dizabilitățile care pot rezulta din accidentele vasculare cerebrale, printre alte beneficii.
Politici și reglementări precum Regulamentul general privind protecția datelor (GDPR), Legea privind portabilitatea și responsabilitatea asigurărilor de sănătate (HIPPA) și Legea privind confidențialitatea consumatorilor din California (CCPA) a pus balustrade pentru partajarea datelor din domeniul medical, în special a datelor despre pacienți. În plus, seturile de date de la institutele, organizațiile și spitalele individuale sunt adesea prea mici, sunt dezechilibrate sau au o distribuție părtinitoare, ceea ce duce la constrângeri de generalizare a modelului.
Învățare federată: o introducere
Învățarea federată (FL) este o formă descentralizată de ML - o abordare de inginerie dinamică. În această abordare ML descentralizată, modelul ML este partajat între organizații pentru instruire pe subseturi de date proprietare, spre deosebire de instruirea ML centralizată tradițională, unde modelul se antrenează în general pe seturi de date agregate. Datele rămân protejate în spatele firewall-urilor sau VPC-ului organizației, în timp ce modelul cu metadatele sale este partajat.
În faza de instruire, un model global FL este diseminat și sincronizat între organizațiile unității pentru instruire pe seturi de date individuale și este returnat un model instruit local. Modelul global final este disponibil pentru a face predicții pentru toți participanții și poate fi, de asemenea, folosit ca bază pentru instruirea ulterioară pentru a construi modele personalizate locale pentru organizațiile participante. Poate fi extins în continuare pentru a beneficia de alte institute. Această abordare poate reduce semnificativ cerințele de securitate cibernetică pentru datele în tranzit, eliminând deloc nevoia ca datele să tranziteze în afara granițelor organizației.
Următoarea diagramă ilustrează un exemplu de arhitectură.
În secțiunile următoare, discutăm despre modul în care învățarea federată poate ajuta.
Federația învață să salveze ziua (și să salveze vieți)
Pentru o bună inteligență artificială (AI), aveți nevoie de date bune.
Sistemele vechi, care se găsesc frecvent în domeniul federal, ridică provocări semnificative în procesarea datelor înainte de a putea obține informații sau de a le îmbina cu seturi de date mai noi. Acesta este un obstacol în furnizarea de informații valoroase liderilor. Poate duce la luarea deciziilor incorecte, deoarece proporția datelor moștenite este uneori mult mai valoroasă în comparație cu setul de date mai nou și mic. Doriți să rezolvați acest blocaj în mod eficient și fără încărcături de muncă de consolidare manuală și eforturi de integrare (inclusiv procese greoaie de cartografiere) pentru seturi de date vechi și mai noi care se află în spitale și institute, ceea ce poate dura multe luni, dacă nu ani, în multe cazuri. Datele moștenite sunt destul de valoroase, deoarece dețin informații contextuale importante necesare pentru luarea unor decizii precise și formarea modelului bine informat, ceea ce duce la o IA fiabilă în lumea reală. Durata datelor informează asupra variațiilor și modelelor pe termen lung din setul de date care altfel ar rămâne nedetectate și ar duce la predicții părtinitoare și prost informate.
Defalcarea acestor silozuri de date pentru a uni potențialul neexploatat al datelor împrăștiate poate salva și transforma multe vieți. De asemenea, poate accelera cercetările legate de problemele secundare de sănătate care decurg din atacurile de inimă. Această soluție vă poate ajuta să împărtășiți informații din datele izolate între institute din cauza politicii și din alte motive, indiferent dacă sunteți un spital, un institut de cercetare sau alte organizații axate pe date de sănătate. Poate permite luarea de decizii informate cu privire la direcția cercetării și diagnostic. În plus, are ca rezultat un depozit centralizat de informații printr-o bază de cunoștințe securizată, privată și globală.
Învățarea federată are multe beneficii în general și în special pentru setările de date medicale.
Caracteristici de securitate și confidențialitate:
- Păstrează datele sensibile departe de internet și le folosește în continuare pentru ML și își valorifică inteligența cu confidențialitate diferențială
- Vă permite să construiți, să antrenezi și să implementați modele imparțiale și robuste nu doar în mașini, ci și în rețele, fără niciun pericol pentru securitatea datelor
- Depășește obstacolele cu mai mulți furnizori care gestionează datele
- Elimină nevoia de partajare a datelor între site-uri și de guvernare globală
- Păstrează confidențialitatea cu confidențialitate diferențială și oferă calcule multi-partide sigure cu instruire locală
Imbunatatiri ale performantei:
- Abordează problema dimensiunii mici a eșantionului în spațiul imagistic medical și procesele costisitoare de etichetare
- Echilibrează distribuția datelor
- Vă permite să încorporați cele mai tradiționale metode de ML și de învățare profundă (DL).
- Utilizează seturi de imagini grupate pentru a ajuta la îmbunătățirea puterii statistice, depășind limitarea dimensiunii eșantionului a instituțiilor individuale
Beneficii de rezistență:
- Dacă vreo parte decide să plece, nu va împiedica antrenamentul
- Un nou spital sau institut se poate alătura oricând; nu se bazează pe niciun set de date specific cu nicio organizație de noduri
- Nu este nevoie de conducte extinse de inginerie a datelor pentru datele moștenite împrăștiate în locații geografice larg răspândite
Aceste caracteristici pot ajuta la doborarea zidurilor dintre instituțiile care găzduiesc seturi de date izolate pe domenii similare. Soluția poate deveni un multiplicator de forță prin valorificarea puterilor unificate ale seturilor de date distribuite și îmbunătățirea eficienței prin transformarea radicală a aspectului de scalabilitate fără creșterea greutății infrastructurii. Această abordare ajută ML să-și atingă întregul potențial, devenind competent la nivel clinic și nu doar cercetare.
Învățarea federată are performanțe comparabile cu ML obișnuite, așa cum se arată în cele ce urmează experiment de NVidia Clara (pe Medical Modal ARchive (MMAR) folosind setul de date BRATS2018). Aici, FL a obținut o performanță de segmentare comparabilă în comparație cu antrenamentul cu date centralizate: peste 80% cu aproximativ 600 de epoci, în timp ce antrenează o sarcină de segmentare a tumorii cerebrale multi-modale, cu mai multe clase.
Învățarea federată a fost testată recent în câteva subdomenii medicale pentru cazuri de utilizare, inclusiv învățarea similarității pacienților, învățarea reprezentării pacienților, fenotiparea și modelarea predictivă.
Planul aplicației: Învățarea federată face posibilă și simplă
Pentru a începe cu FL, puteți alege dintre multe seturi de date de înaltă calitate. De exemplu, seturile de date cu imagini ale creierului includ CONFORMA (inițiativa Schimb de date privind imagistica cerebrală pentru autism), ADNI (Inițiativa de neuroimagini pentru boala Alzheimer), RSNA (Societatea de radiologie din America de Nord) Brain CT, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) actualizat în mod regulat pentru Brain Tumor Segmentation Challenge sub UPenn (Universitatea din Pennsylvania), Marea Britanie BioBank (acoperită în următoarele NIH hârtie), Şi XI. În mod similar, pentru imaginile cardiace, puteți alege dintre mai multe opțiuni disponibile public, inclusiv ACDC (Automatic Cardiac Diagnosis Challenge), care este un set de date de evaluare RMN cardiacă cu adnotare completă menționată de Biblioteca Națională de Medicină în următoarele hârtie, și M&M (Multi-Center, Multi-Vendor, and Multi-Disease) Provocarea de segmentare cardiacă menționată în cele ce urmează IEEE hârtie.
Următoarele imagini arată a Harta probabilistică a suprapunerii leziunilor pentru leziunile primare din setul de date ATLAS R1.1. (Accidentele vasculare cerebrale sunt una dintre cele mai frecvente cauze ale leziunilor cerebrale conform Cleveland Clinic.)
Pentru datele înregistrărilor electronice de sănătate (EHR), sunt disponibile câteva seturi de date care urmează Resurse rapide de interoperabilitate medicală standard (FHIR). Acest standard vă ajută să construiți proiecte-pilot simple, eliminând anumite provocări cu seturi de date eterogene, nenormalizate, permițând schimbul, partajarea și integrarea seturilor de date fără întreruperi și sigure. FHIR permite o interoperabilitate maximă. Exemplele de seturi de date includ MIMIC-IV (Medical Information Mart pentru Terapie Intensivă). Alte seturi de date de bună calitate care nu sunt în prezent FHIR, dar pot fi convertite cu ușurință includ Centre pentru servicii Medicare și Medicaid (CMS) Fișiere de uz public (PUF) și Baza de date de cercetare colaborativă eICU de la MIT (Massachusetts Institute of Technology). Există, de asemenea, alte resurse care devin disponibile care oferă seturi de date bazate pe FHIR.
Ciclul de viață pentru implementarea FL poate include următoarele paşi: inițializarea sarcinilor, selecția, configurarea, instruirea modelului, comunicarea client/server, programarea și optimizarea, versiunea, testarea, implementarea și terminarea. Există mulți pași care necesită mult timp în pregătirea datelor imagistice medicale pentru ML tradiționale, așa cum este descris în cele ce urmează. hârtie. Cunoașterea domeniului poate fi necesară în unele scenarii pentru a preprocesa datele brute ale pacientului, în special datorită naturii sale sensibile și private. Acestea pot fi consolidate și uneori eliminate pentru FL, economisind timp crucial pentru antrenament și oferind rezultate mai rapide.
Punerea în aplicare
Instrumentele și bibliotecile FL s-au dezvoltat cu un suport larg răspândit, făcând ușor de utilizat FL fără o ridicare grea de deasupra capului. Există o mulțime de resurse bune și opțiuni de cadru disponibile pentru a începe. Vă puteți referi la următoarele listă extinsă dintre cele mai populare cadre și instrumente din domeniul FL, inclusiv PySyft, FedML, Floare, OpenFL, SOARTA, TensorFlow Federated, și NVFlare. Oferă o listă de proiecte pentru începători pentru a începe rapid și pentru a se construi.
Puteți implementa o abordare cloud-native cu Amazon SageMaker cu care funcționează perfect Peering AWS VPC, păstrând antrenamentul fiecărui nod într-o subrețea privată în VPC-ul lor respectiv și permițând comunicarea prin adrese IPv4 private. În plus, găzduirea modelului este activată Amazon SageMaker JumpStart poate ajuta prin expunerea API-ului endpoint fără a partaja ponderile modelului.
De asemenea, elimină potențialele provocări de calcul la nivel înalt cu hardware-ul local cu Cloud Elastic de calcul Amazon resurse (Amazon EC2). Puteți implementa clientul FL și serverele pe AWS cu Caiete SageMaker și Serviciul Amazon de stocare simplă (Amazon S3), mențineți accesul reglementat la date și model cu Gestionarea identității și accesului AWS (IAM) roluri și utilizare Serviciul AWS Security Token (AWS STS) pentru securitate la nivelul clientului. De asemenea, vă puteți construi propriul sistem personalizat pentru FL folosind Amazon EC2.
Pentru o prezentare detaliată a implementării FL cu Floare cadru pe SageMaker și o discuție despre diferența acestuia față de instruirea distribuită, consultați Învățare automată cu date de instruire descentralizate folosind învățarea federată pe Amazon SageMaker.
Următoarele figuri ilustrează arhitectura învățării prin transfer în FL.
Abordarea provocărilor privind datele FL
Învățarea federată vine cu propriile provocări legate de date, inclusiv confidențialitate și securitate, dar sunt ușor de abordat. În primul rând, trebuie să abordați problema eterogenității datelor cu datele imagistice medicale care decurg din datele stocate în diferite site-uri și organizații participante, cunoscute sub numele de schimbare de domeniu problemă (numită și ca schimbarea clientului într-un sistem FL), după cum au subliniat Guan și Liu în cele ce urmează hârtie. Acest lucru poate duce la o diferență de convergență a modelului global.
Alte componente care trebuie luate în considerare includ asigurarea calității și uniformității datelor la sursă, încorporarea cunoștințelor de specialitate în procesul de învățare pentru a inspira încredere în sistem în rândul profesioniștilor din domeniul medical și obținerea preciziei modelului. Pentru mai multe informații despre unele dintre provocările potențiale cu care vă puteți confrunta în timpul implementării, consultați următoarele hârtie.
AWS vă ajută să rezolvați aceste provocări cu funcții precum calculul flexibil al Amazon EC2 și pre-construit Imagini Docker în SageMaker pentru o implementare simplă. Puteți rezolva probleme la nivelul clientului, cum ar fi date dezechilibrate și resurse de calcul pentru fiecare organizație de nod. Puteți rezolva problemele de învățare de pe partea serverului, cum ar fi atacurile de otrăvire de la părți rău intenționate Cloud virtual virtual Amazon (Amazon VPC), grupuri de securitate, și alte standarde de securitate, prevenind corupția clienților și implementând serviciile de detectare a anomaliilor AWS.
AWS ajută, de asemenea, la abordarea provocărilor de implementare din lumea reală, care pot include provocări de integrare, probleme de compatibilitate cu sistemele spitalicești actuale sau vechi și obstacole în adoptarea utilizatorilor, oferind soluții tehnologice flexibile, ușor de utilizat și fără efort.
Cu serviciile AWS, puteți activa cercetarea pe scară largă pe bază de FL și implementarea și implementarea clinică, care pot consta din diferite site-uri din întreaga lume.
Politicile recente privind interoperabilitatea evidențiază nevoia de învățare federată
Multe legi adoptate recent de guvern includ un accent pe interoperabilitatea datelor, întărind nevoia de interoperabilitate interorganizațională a datelor pentru informații. Acest lucru poate fi îndeplinit prin utilizarea FL, inclusiv cadre precum TEFCA (Trusted Exchange Framework and Common Agreement) și extins USCDI (Date de bază pentru interoperabilitate din Statele Unite).
Ideea propusă contribuie, de asemenea, la inițiativa de captare și distribuire a CDC CDC merge înainte. Următorul citat din articolul GovCIO Partajarea datelor și AI Priorități de top ale agenției federale de sănătate în 2024 de asemenea, ecou o temă similară: „Aceste capabilități pot, de asemenea, sprijini publicul într-un mod echitabil, întâlnind pacienții acolo unde se află și deblocând accesul critic la aceste servicii. O mare parte din această muncă se reduce la date.”
Acest lucru poate ajuta institutele și agențiile medicale din întreaga țară (și din întreaga lume) cu silozuri de date. Aceștia pot beneficia de integrarea și interoperabilitatea datelor fără întreruperi și sigure, făcând datele medicale utilizabile pentru predicții de impact bazate pe ML și recunoașterea modelelor. Puteți începe cu imagini, dar abordarea este aplicabilă și tuturor EHR. Scopul este de a găsi cea mai bună abordare pentru părțile interesate de date, cu o conductă nativă în cloud pentru a normaliza și standardiza datele sau pentru a le utiliza direct pentru FL.
Să explorăm un exemplu de caz de utilizare. Datele și scanările imagistice ale accidentelor vasculare cerebrale sunt împrăștiate în întreaga țară și în lume, așezate în silozuri izolate în institute, universități și spitale și separate de granițe birocratice, geografice și politice. Nu există o singură sursă agregată și nici o modalitate ușoară pentru profesioniștii medicali (non-programatori) de a extrage informații din aceasta. În același timp, nu este fezabil să se antreneze modele ML și DL pe aceste date, ceea ce ar putea ajuta profesioniștii medicali să ia decizii mai rapide și mai precise în momente critice, când scanările cardiace pot dura ore până să apară, în timp ce viața pacientului ar putea fi blocată. echilibru.
Alte cazuri de utilizare cunoscute includ POTS (Sistem de urmărire a achizițiilor online) la NIH (Institutele Naționale de Sănătate) și securitatea cibernetică pentru nevoile de soluții de informații dispersate și pe niveluri în locațiile COMCOM/MAJCOM de pe tot globul.
Concluzie
Învățarea federată este foarte promițătoare pentru analiza și inteligența datelor din domeniul sănătății vechi. Este simplu să implementați o soluție nativă în cloud cu servicii AWS, iar FL este util în special pentru organizațiile medicale cu date vechi și provocări tehnice. FL poate avea un impact potențial asupra întregului ciclu de tratament, și acum chiar mai mult cu accent pe interoperabilitatea datelor de la marile organizații federale și lideri guvernamentali.
Această soluție vă poate ajuta să evitați reinventarea roții și să utilizați cea mai recentă tehnologie pentru a face un salt de la sistemele vechi și a fi în fruntea acestei lumi în continuă evoluție a AI. De asemenea, puteți deveni un lider pentru cele mai bune practici și o abordare eficientă a interoperabilității datelor în cadrul și între agenții și institute din domeniul sănătății și nu numai. Dacă sunteți un institut sau o agenție cu silozuri de date împrăștiate în toată țara, puteți beneficia de această integrare perfectă și sigură.
Conținutul și opiniile din această postare aparțin autorului terț, iar AWS nu este responsabil pentru conținutul sau acuratețea acestei postări. Este responsabilitatea fiecărui client să determine dacă sunt supuși HIPAA și, dacă da, cum să respecte cel mai bine HIPAA și reglementările sale de implementare. Înainte de a utiliza AWS în legătură cu informațiile de sănătate protejate, clienții trebuie să introducă un AWS Business Associate Addendum (BAA) și să respecte cerințele de configurare ale acestuia.
Despre autor
Nitin Kumar (MS, CMU) este Lead Data Scientist la T and T Consulting Services, Inc. Are o vastă experiență în prototipuri de cercetare și dezvoltare, informatică medicală, date din sectorul public și interoperabilitate a datelor. El își aplică cunoștințele despre metodele de cercetare de ultimă oră în sectorul federal pentru a furniza lucrări tehnice inovatoare, POC și MVP. El a lucrat cu mai multe agenții federale pentru a-și promova datele și obiectivele AI. Alte domenii de interes ale Nitin includ procesarea limbajului natural (NLP), conductele de date și AI generativă.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :are
- :este
- :nu
- :Unde
- $UP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- Despre Noi
- accelera
- acces
- Conform
- responsabilitate
- precizie
- precis
- realizat
- realizarea
- ACM
- peste
- În plus,
- adresa
- adrese
- adresare
- Adoptare
- avansa
- Agențiile
- agenție
- agregate
- Acord
- AI
- TOATE
- Permiterea
- de asemenea
- Alzheimer
- Amazon
- Amazon EC2
- Amazon Web Services
- America
- printre
- an
- Google Analytics
- și
- detectarea anomaliilor
- Orice
- api
- aplicabil
- se aplică
- abordare
- aproximativ
- arhitectură
- arhivă
- SUNT
- domenii
- apărând
- în jurul
- articol
- artificial
- inteligență artificială
- Inteligența artificială (AI)
- AS
- aspect
- evaluare
- ajuta
- Avocat Colaborator
- At
- Atacuri
- autor
- Autism
- Automat
- disponibil
- in medie
- evita
- departe
- AWS
- Sold
- de bază
- BE
- deoarece
- deveni
- devenire
- fost
- înainte
- în spatele
- fiind
- Benchmark
- beneficia
- Beneficiile
- CEL MAI BUN
- Cele mai bune practici
- între
- Dincolo de
- părtinitor
- Miliard
- Blog
- plan
- sustinerea
- strangulare
- limitele
- Creier
- aduce
- construi
- Clădire
- birocratic
- afaceri
- dar
- by
- CA
- CAN
- capacități
- captura
- pasă
- caz
- cazuri
- Provoca
- cauze
- CJAP
- CDC
- centralizat
- sigur
- contesta
- provocări
- şef
- Alege
- Clara
- client
- clinic
- CMS
- colaborativ
- cum
- vine
- Comun
- Comunicare
- comparabil
- comparație
- compatibilitate
- se conforma
- componente
- calcul
- Calcula
- condiție
- încredere
- Configuraţie
- conexiune
- considerare
- consolidare
- constrângeri
- consultant
- consumator
- intimitatea consumatorilor
- conţinut
- contextual
- contribuie
- Control
- Convergenţă
- convertit
- Nucleu
- Corupţie
- costisitor
- ar putea
- ţară
- acoperit
- critic
- crucial
- greoaie
- Curent
- În prezent
- personalizat
- clienţii care
- ultima generație
- Securitate cibernetică
- ciclu
- prejudiciu
- de date
- Analiza datelor
- Schimb de date
- de prelucrare a datelor
- protejarea datelor
- om de știință de date
- securitatea datelor
- schimbul de date
- seturi de date
- zi
- Moarte
- descentralizată
- Luarea deciziilor
- Deciziile
- adânc
- învățare profundă
- livra
- Departament
- În funcție
- implementa
- desfășurarea
- deriva
- descris
- detaliat
- Detectare
- Determina
- determinarea
- diagnostic
- diagramă
- diferenţă
- diferit
- digital
- direcţie
- direct
- dizabilități
- discuta
- discuţie
- Boală
- distribuite
- instruire distribuită
- distribuire
- diferit
- Medici
- domeniu
- domenii
- jos
- dr
- două
- durată
- în timpul
- dinamic
- fiecare
- cu ușurință
- uşor
- ușor de folosit
- ecouri
- în mod eficient
- eficiență
- eficient
- fără efort
- Eforturile
- Electronic
- Evidențe electronice de sănătate
- eliminat
- caz de urgență
- permite
- permite
- permițând
- Punct final
- Inginerie
- îmbogățit
- asigurare
- Intrați
- Întreg
- epoci
- echitabil
- mai ales
- evalua
- Chiar
- Fiecare
- toată lumea
- exemplu
- exemple
- schimb
- extins
- experienţă
- expert
- explora
- extins
- extensiv
- Experiență vastă
- extrage
- Față
- mai repede
- realizabil
- DESCRIERE
- federal
- federat
- puțini
- camp
- cifre
- Fişiere
- final
- Găsi
- firewall-uri
- First
- cinci
- flexibil
- Concentra
- urma
- următor
- Pentru
- Forţarea
- frunte
- formă
- găsit
- Cadru
- cadre
- frecvent
- din
- Complet
- mai mult
- În plus
- GDPR
- General
- în general
- generativ
- AI generativă
- geografice
- obține
- Da
- Caritate
- glob
- Go
- scop
- Goluri
- Aur
- Gold Standard
- bine
- Guvern
- Liderii Guvernului
- mare
- crescut
- Oaspete
- Piese metalice
- hamurile
- Cablaje
- Avea
- he
- Sănătate
- informație despre sănătate
- de asistență medicală
- inimă
- greu
- ajutor
- util
- ajută
- aici
- la nivel înalt
- de înaltă calitate
- Evidențiați
- Evidențiat
- împiedica
- lui
- deține
- spital
- spitale
- găzduire
- ORE
- Cum
- Totuși
- HTML
- http
- HTTPS
- obstacole
- idee
- Identitate
- IEEE
- if
- ilustra
- ilustrează
- imagine
- imagini
- Imaging
- Impactul
- impactant
- punerea în aplicare a
- implementarea
- Punere în aplicare a
- important
- îmbunătăţi
- îmbunătățiri
- îmbunătățirea
- in
- inexact
- Inc
- include
- Inclusiv
- Inclusiv
- incorpora
- care încorporează
- individ
- informații
- informat
- informează
- Infrastructură
- Inițiativă
- inovatoare
- perspective
- inspira
- Institut
- instituții
- asigurare
- integrare
- Inteligență
- Internațional
- Internet
- Interoperabilitate
- în
- izolat
- probleme de
- IT
- ESTE
- alătura
- jpeg
- jpg
- doar
- păstrare
- cunoştinţe
- cunoscut
- Kumar
- etichetarea
- limbă
- mare
- pe scară largă
- Ultimele
- legii
- conduce
- lider
- Liderii
- conducere
- Salt
- învăţare
- Părăsi
- Moştenire
- Nivel
- biblioteci
- Bibliotecă
- Viaţă
- ciclu de viață
- categorie ușoară
- ca
- limitare
- Listă
- Locuiește
- local
- Locații
- pe termen lung
- mai lung
- pierde
- Lot
- maşină
- masina de învățare
- Masini
- menține
- face
- FACE
- Efectuarea
- rău
- de conducere
- manual
- multe
- Hartă
- cartografiere
- Massachusetts
- Institutul de tehnologie din Massachusetts
- masiv
- maxim
- Mai..
- medical
- date medicale
- Medicare
- medicină
- Reuniunea
- menționat
- Îmbina
- Metadata
- Metode
- ar putea
- minute
- MIT
- ML
- model
- modelare
- Modele
- mai mult
- cele mai multe
- Cel mai popular
- în mişcare
- RMN
- mult
- multipartid
- multiplu
- trebuie sa
- MVP-uri
- național
- Institute Naționale de Sănătate
- Natural
- Procesarea limbajului natural
- Natură
- Nevoie
- necesar
- nevoilor
- rețele
- neuronii
- Nou
- mai nou
- NIH
- nlp
- Nu.
- nod
- North
- America de Nord
- acum
- număr
- Nvidia
- obstacol
- obstacole
- of
- oferi
- oferind
- promoții
- ofițerii
- de multe ori
- on
- ONE
- on-line
- Avize
- optimizare
- Opţiuni
- or
- organizație
- organizații
- Altele
- in caz contrar
- exterior
- peste
- depășirea
- deasupra
- suprapune
- Prezentare generală
- propriu
- Hârtie
- lucrări
- participanţi
- participante
- petreceri
- parte
- Trecut
- pacient
- pacientes
- Model
- modele
- Pennsylvania
- oameni
- performanță
- persoană
- personal
- date personale
- fază
- piloți
- conducte
- Plato
- Informații despre date Platon
- PlatoData
- otrăvire
- Politicile
- Politica
- politic
- Popular
- portabilitate
- pune
- posibil
- Post
- potenţial
- putere
- competenţelor
- practicile
- Precizie
- Predictii
- preliminar
- pregătirea
- împiedica
- prevenirea
- primar
- intimitate
- Confidențialitate și securitate
- privat
- Problemă
- probleme
- proces
- procese
- prelucrare
- profesioniști
- Proiecte
- promisiune
- proporție
- propune
- propus
- proprietate
- protejat
- protecţie
- prototipuri
- furnizează
- furnizarea
- public
- public
- de cumpărare
- pune
- calitate
- Rapid
- repede
- cu totul
- cita
- C&D
- radical
- game
- Crud
- RE
- ajunge
- real
- lumea reală
- motive
- recent
- recunoaştere
- înregistrări
- recurent
- reduce
- trimite
- menționat
- regulat
- regulat
- reglementate
- regulament
- legate de
- de încredere
- eliminarea
- depozit
- reprezentare
- Cerinţe
- cercetare
- Instituții de cercetare
- cercetători
- rezolvă
- Resurse
- respectiv
- responsabilitate
- responsabil
- restricții
- rezultat
- REZULTATE
- Bogat
- robust
- rolurile
- rădăcină
- sagemaker
- acelaşi
- probă
- Economisiți
- economisire
- scalabilitate
- scanări
- risipit
- scenarii
- programare
- Om de stiinta
- fără sudură
- perfect
- Al doilea
- secundar
- secțiuni
- sector
- sigur
- securitate
- token de securitate
- segmentarea
- selecţie
- sensibil
- Servere
- Servicii
- Seturi
- setări
- câteva
- Distribuie
- comun
- partajarea
- Arăta
- indicat
- semnificativ
- semnificativ
- silozuri
- asemănător
- asemănător
- simplu
- singur
- Centre de cercetare
- Ședință
- Mărimea
- mic
- So
- Societate
- soluţie
- soluţii
- unele
- uneori
- Sursă
- Spaţiu
- specific
- specific
- Personal
- părțile interesate
- standard
- standarde
- Începe
- început
- Statele
- statistic
- paşi
- Încă
- depozitare
- stocate
- simplu
- subiect
- subrețea
- a sustine
- sistem
- sisteme
- Lua
- ia
- Sarcină
- sarcini
- echipe
- tech
- Tehnic
- Tehnologii
- Tehnologia
- tensorflow
- testat
- Testarea
- decât
- acea
- Sursa
- lumea
- lor
- Lor
- temă
- Acolo.
- astfel
- prin urmare
- Acestea
- ei
- terț
- acest
- aceste
- Prin
- strângere
- timp
- ori
- la
- împreună
- semn
- de asemenea
- Unelte
- top
- față de
- Urmărire
- tradiţional
- Tren
- dresat
- Pregătire
- trenuri
- transfer
- Transforma
- transformare
- tranzit
- tratate
- tratament
- de încredere
- Uk
- imparțial
- în
- unificat
- unitate
- uni
- Unit
- Statele Unite
- Universități
- universitate
- spre deosebire de
- deblocare
- neexploatat
- actualizat
- pe
- us
- utilizabil
- utilizare
- carcasa de utilizare
- utilizat
- Utilizator
- Adoptarea utilizatorului
- utilizări
- folosind
- Valoros
- valoare
- variații
- diverse
- furnizori
- de
- victime
- Virtual
- vrea
- Cale..
- we
- web
- servicii web
- BINE
- Roată
- cand
- dacă
- care
- în timp ce
- de ce
- pe scară largă
- cu
- în
- fără
- cuvinte
- Apartamente
- a lucrat
- de lucru
- fabrică
- lume
- ar
- scris
- an
- ani
- încă
- Tu
- Ta
- zephyrnet