Анализ медицинских изображений играет решающую роль в диагностике и лечении заболеваний. Возможность автоматизировать этот процесс с помощью методов машинного обучения (ML) позволяет медицинским работникам быстрее диагностировать определенные виды рака, коронарные заболевания и офтальмологические заболевания. Однако одной из ключевых проблем, с которыми сталкиваются врачи и исследователи в этой области, является трудоемкий и сложный характер построения моделей машинного обучения для классификации изображений. Традиционные методы требуют опыта кодирования и обширных знаний алгоритмов машинного обучения, что может стать препятствием для многих специалистов здравоохранения.
Чтобы устранить этот пробел, мы использовали Холст Amazon SageMaker, визуальный инструмент, который позволяет врачам создавать и развертывать модели машинного обучения без программирования или специальных знаний. Этот удобный для пользователя подход исключает необходимость сложного обучения, связанного с МО, что позволяет врачам сосредоточиться на своих пациентах.
Amazon SageMaker Canvas предоставляет интерфейс перетаскивания для создания моделей машинного обучения. Клиницисты могут выбрать данные, которые они хотят использовать, указать желаемый результат, а затем наблюдать, как модель автоматически строится и обучается. После обучения модели она генерирует точные прогнозы.
Этот подход идеально подходит для врачей, которые хотят использовать МО для улучшения диагностики и принятия решений о лечении. С помощью Amazon SageMaker Canvas они могут использовать возможности машинного обучения, чтобы помочь своим пациентам, не будучи экспертом в области машинного обучения.
Классификация медицинских изображений напрямую влияет на результаты лечения пациентов и эффективность здравоохранения. Своевременная и точная классификация медицинских изображений позволяет на ранней стадии выявить заболевания, что способствует эффективному планированию и мониторингу лечения. Более того, демократизация машинного обучения посредством доступных интерфейсов, таких как Amazon SageMaker Canvas, позволяет более широкому кругу специалистов здравоохранения, в том числе без обширного технического образования, внести свой вклад в область анализа медицинских изображений. Такой инклюзивный подход способствует сотрудничеству и обмену знаниями и в конечном итоге приводит к прогрессу в медицинских исследованиях и улучшению ухода за пациентами.
В этом посте мы рассмотрим возможности Amazon SageMaker Canvas в классификации медицинских изображений, обсудим его преимущества и выделим реальные примеры использования, демонстрирующие его влияние на медицинскую диагностику.
Примеры использования
Рак кожи — серьезное и потенциально смертельное заболевание, и чем раньше он обнаружен, тем больше шансов на успешное лечение. По статистике, рак кожи (например, базально- и плоскоклеточный рак) является одним из наиболее распространенных типов рака и приводит к сотням тысяч смертей. по всему миру каждый год. Это проявляется через аномальный рост клеток кожи.
Однако ранняя диагностика резко увеличивает шансы на выздоровление. Более того, это может сделать ненужными хирургические, рентгенографические или химиотерапевтические методы лечения или уменьшить их общее использование, помогая снизить затраты на здравоохранение.
Процесс диагностики рака кожи начинается с процедуры, называемой дерматоскопией[1], при которой исследуются общая форма, размер и цветовые характеристики кожных поражений. Затем из подозреваемых поражений проводят дальнейшие отборы проб и гистологические исследования для подтверждения типа раковых клеток. Врачи используют несколько методов обнаружения рака кожи, начиная с визуального обнаружения. Американский центр изучения дерматологии разработал руководство по возможной форме меланомы, которое называется ABCD (асимметрия, граница, цвет, диаметр) и используется врачами для первичного скрининга заболевания. Если обнаружено подозрение на поражение кожи, то врач берет биопсию видимого поражения на коже и микроскопически исследует его на предмет доброкачественного или злокачественного диагноза и типа рака кожи. Модели компьютерного зрения могут сыграть ценную роль в выявлении подозрительных родинок или поражений, что обеспечивает более раннюю и точную диагностику.
Создание модели выявления рака — это многоэтапный процесс, как описано ниже:
- Соберите большой набор данных изображений здоровой кожи и кожи с различными типами раковых или предраковых поражений. Этот набор данных необходимо тщательно контролировать, чтобы обеспечить точность и последовательность.
- Используйте методы компьютерного зрения для предварительной обработки изображений и извлечения данных, необходимых для различения здоровой и раковой кожи.
- Обучите модель ML на предварительно обработанных изображениях, используя подход обучения с учителем, чтобы научить модель различать разные типы кожи.
- Оцените производительность модели, используя различные показатели, такие как точность и полнота, чтобы убедиться, что она точно идентифицирует раковую кожу и сводит к минимуму ложные срабатывания.
- Интегрируйте модель в удобный инструмент, который смогут использовать дерматологи и другие специалисты здравоохранения для выявления и диагностики рака кожи.
В целом, процесс разработки модели выявления рака кожи с нуля обычно требует значительных ресурсов и опыта. Именно здесь Amazon SageMaker Canvas может помочь сократить время и усилия на этапах 2–5.
Обзор решения
Чтобы продемонстрировать создание модели компьютерного зрения рака кожи без написания какого-либо кода, мы используем набор данных изображений рака кожи при дерматоскопии, опубликованный Harvard Dataverse. Мы используем набор данных, который можно найти по адресу HAM10000 и состоит из 10,015 XNUMX дерматоскопических изображений для построения модели классификации рака кожи, которая прогнозирует классы рака кожи. Несколько ключевых моментов о наборе данных:
- Набор данных служит обучающим набором для академических целей МО.
- Он включает в себя репрезентативную коллекцию всех важных диагностических категорий в области пигментных поражений.
- Несколько категорий в наборе данных: актинические кератозы и интраэпителиальная карцинома / болезнь Боуэна (akiec), базальноклеточная карцинома (bcc), доброкачественные кератоподобные поражения (солнечные лентиго / себорейные кератозы и плоский лишай, подобные кератозам, bkl), дерматофиброма ( df), меланома (mel), меланоцитарные невусы (nv) и сосудистые поражения (ангиомы, ангиокератомы, пиогенные гранулемы и кровоизлияния, сосуды)
- Более 50% поражений в наборе данных подтверждены гистопатологией (гисто).
- В остальных случаях истина устанавливается путем последующего расследования (
follow_up
), экспертный консенсус (консенсус) или подтверждение в естественных условиях конфокальная микроскопия (конфокальная). - Набор данных включает поражения с несколькими изображениями, которые можно отслеживать с помощью
lesion_id
столбец вHAM10000_metadata
.
Мы покажем, как упростить классификацию изображений для нескольких категорий рака кожи без написания кода с помощью Amazon SageMaker Canvas. Учитывая изображение поражения кожи, классификация изображений SageMaker Canvas автоматически классифицирует изображение как доброкачественное или возможное раковое заболевание.
Предпосылки
- Доступ к AWS учетная запись с разрешениями на создание ресурсов, описанных в разделе шагов.
- AWS Identity and Access Management (пользователь AWS IAM) с полными разрешениями на использование Amazon SageMaker.
Прохождение
- Настройка домена SageMaker
- Настройка наборов данных
- Создайте простой сервис хранения Amazon (Amazon S3) ведро с уникальным именем, которое
image-classification-<ACCOUNT_ID>
где ACCOUNT_ID — ваш уникальный номер учетной записи AWS. - В этом ведре создайте две папки:
training-data
иtest-data
. - В разделе обучающих данных создайте семь папок для каждой категории рака кожи, определенной в наборе данных:
akiec
,bcc
,bkl
,df
,mel
,nv
иvasc
. - Набор данных включает поражения с несколькими изображениями, которые можно отслеживать с помощью
lesion_id-column
вHAM10000_metadata
файл. С помощьюlesion_id-column
скопируйте соответствующие изображения в нужную папку (т. е. вы можете начать со 100 изображений для каждой классификации).
- Создайте простой сервис хранения Amazon (Amazon S3) ведро с уникальным именем, которое
- Используйте холст Amazon SageMaker
- Перейдите в Создатель мудреца Амазонки сервис в консоли и выбираем холст из списка. На странице Canvas выберите Открыть холст .
- На странице Canvas выберите Мои модели и затем выберите Новая модель в правой части экрана.
- Откроется новое всплывающее окно, где мы назовем image_classify в качестве имени модели и выберите Анализ изображений под Тип проблемы.
- Импорт набора данных
- На следующей странице выберите Создать набор данных и во всплывающем окне назовите набор данных как image_classify И выберите Создавай .
- На следующей странице измените Источник данных в Amazon S3. Вы также можете напрямую загружать изображения (т. е. Локальная загрузка).
- Когда вы выбираете Amazon S3, вы получите список сегментов, имеющихся в вашей учетной записи. Выберите родительский сегмент, в котором хранится набор данных, в подпапке (например, изображение-классификация-2023 и Даты импорта кнопка. Это позволяет Amazon SageMaker Canvas быстро маркировать изображения на основе имен папок.
- После успешного импорта набора данных вы увидите, что значение в столбце Статус изменится на Готовый от Обработка.
- Теперь выберите свой набор данных, выбрав Выбрать набор данных внизу вашей страницы.
- Создайте свою модель
- На строить страница, вы должны увидеть ваши данные, импортированные и помеченные в соответствии с именем папки в Amazon S3.
- Выберите Быстрая сборка (т. е. выделенный красным контент на следующем изображении), и вы увидите два варианта построения модели. Первый - это Быстрая сборка а второй - Стандартная сборка. Как следует из названия, опция быстрого построения обеспечивает скорость, а не точность, и построение модели занимает от 15 до 30 минут. При стандартной сборке точность ставится выше скорости: построение модели занимает от 45 минут до 4 часов. Стандартная сборка проводит эксперименты с использованием различных комбинаций гиперпараметров и генерирует множество моделей на серверной стороне (с использованием функции автопилота SageMaker), а затем выбирает лучшую модель.
- Выберите Стандартная сборка чтобы начать строить модель. На выполнение уходит около 2–5 часов.
- После завершения построения модели вы увидите приблизительную точность, как показано на рисунке 11.
- Если вы выберете Счет вкладка, она должна предоставить вам представление о точности модели. Также мы можем выбрать Расширенные метрики Кнопка на Счет вкладка, чтобы просмотреть точность, полноту и оценку F1 (сбалансированный показатель точности, учитывающий баланс классов).
- Расширенные метрики, которые показывает Amazon SageMaker Canvas, зависят от того, выполняет ли ваша модель числовые, категориальные, графические, текстовые или временные прогнозы прогнозирования ваших данных. В этом случае мы считаем, что отзыв важнее точности, потому что пропустить обнаружение рака гораздо опаснее, чем правильное обнаружение. Категориальное предсказание, такое как предсказание по 2 категориям или предсказание по 3 категориям, относится к математической концепции классификации. расширенная метрика отзыв — это доля истинных положительных результатов (TP) от всех фактических положительных результатов (TP + ложноотрицательные результаты). Он измеряет долю положительных случаев, которые модель правильно спрогнозировала как положительные. Пожалуйста, обратитесь к этому Подробное изучение расширенных показателей Amazon SageMaker Canvas. для более глубокого изучения перспективных показателей.
На этом этап создания модели в Amazon SageMaker Canvas завершен.
- Протестируйте свою модель
- Теперь вы можете выбрать прогнозировать кнопку, которая приведет вас к прогнозировать страница, где вы можете загрузить свои собственные изображения через Один прогноз or Пакетный прогноз. Пожалуйста, установите вариант по вашему выбору и выберите Импортировать чтобы загрузить свое изображение и протестировать модель.
- Начнем с прогнозирования одного изображения. Убедитесь, что вы находитесь на Одиночное предсказание , а затем выбрать Импортировать изображение. Вы попадете в диалоговое окно, в котором сможете загрузить изображение из Amazon S3, или сделать Локальная загрузка. В нашем случае мы выбираем Amazon S3 и перейдите в наш каталог, где у нас есть тестовые изображения, и выберите любое изображение. Затем выберите Даты импорта.
- После выбора вы должны увидеть на экране сообщение Генерация результатов прогнозирования. Через несколько минут вы должны получить результаты, как показано ниже.
- Теперь давайте попробуем пакетный прогноз. Выбирать Пакетный прогноз под Запуск прогнозов И выберите Импортировать новый набор данных кнопку и назови ее Пакетное прогнозирование и ударил Создавай .
- В следующем окне убедитесь, что вы выбрали загрузку Amazon S3, перейдите в каталог, в котором находится наш тестовый набор, и выберите Даты импорта .
- Как только изображения будут в Готовый статус, выберите переключатель для созданного набора данных и выберите «Создать прогнозы». Теперь вы должны увидеть статус пакета прогнозирования. Генерация прогнозов. Подождем несколько минут результатов.
- Как только статус будет в Готовый штат, выберите имя набора данных, которое приведет вас на страницу с подробным прогнозом для всех наших изображений.
- Еще одна важная особенность пакетного прогнозирования — возможность проверять результаты, а также загружать прогноз в виде файла zip или csv для дальнейшего использования или обмена.
Благодаря этому вы успешно смогли создать модель, обучить ее и проверить ее прогноз с помощью Amazon SageMaker Canvas.
Убираться
Выберите Выйти в левой панели навигации, чтобы выйти из приложения Amazon SageMaker Canvas, чтобы остановить потребление Часы экземпляра рабочего пространства SageMaker Canvas и освободить все ресурсы.
Цитата
[1] Фрайван М., Фаури Э. Об автоматическом обнаружении и классификации рака кожи с использованием глубокого трансферного обучения. Датчики (Базель). 2022, 30 июня; 22 (13): 4963. дои: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Заключение
В этом посте мы показали вам, как анализ медицинских изображений с использованием методов ML может ускорить диагностику рака кожи и его применимость для диагностики других заболеваний. Однако построение моделей машинного обучения для классификации изображений часто является сложным и трудоемким процессом, требующим опыта кодирования и знаний машинного обучения. Amazon SageMaker Canvas решил эту проблему, предоставив визуальный интерфейс, который устраняет необходимость в кодировании или специальных навыках машинного обучения. Это дает медицинским работникам возможность использовать машинное обучение без необходимости сложного обучения, позволяя им сосредоточиться на уходе за пациентами.
Традиционный процесс разработки модели обнаружения рака является громоздким и трудоемким. Он включает в себя сбор тщательно подобранного набора данных, предварительную обработку изображений, обучение модели машинного обучения, оценку ее производительности и интеграцию в удобный инструмент для медицинских работников. Amazon SageMaker Canvas упростил этапы от предварительной обработки до интеграции, что сократило время и усилия, необходимые для построения модели обнаружения рака кожи.
В этом посте мы углубились в мощные возможности Amazon SageMaker Canvas в классификации медицинских изображений, пролили свет на его преимущества и представили реальные примеры использования, демонстрирующие его глубокое влияние на медицинскую диагностику. Одним из таких убедительных примеров использования, который мы рассмотрели, было обнаружение рака кожи и то, как ранняя диагностика часто значительно улучшает результаты лечения и снижает затраты на здравоохранение.
Важно признать, что точность модели может варьироваться в зависимости от таких факторов, как размер набора обучающих данных и конкретный тип используемой модели. Эти переменные играют роль в определении производительности и надежности результатов классификации.
Amazon SageMaker Canvas может служить бесценным инструментом, который помогает медицинским работникам диагностировать заболевания с большей точностью и эффективностью. Однако важно отметить, что оно не предназначено для замены опыта и суждений медицинских работников. Скорее, это расширяет их возможности и позволяет ставить более точные и оперативные диагнозы. Человеческий фактор остается важным в процессе принятия решений, а сотрудничество между медицинскими работниками и инструментами искусственного интеллекта (ИИ), включая Amazon SageMaker Canvas, имеет решающее значение для обеспечения оптимального ухода за пациентами.
Об авторах
Рамакант Джоши является архитектором решений AWS, специализирующимся на аналитике и бессерверной области. У него есть опыт разработки программного обеспечения и гибридных архитектур, и он увлечен тем, что помогает клиентам модернизировать их облачную архитектуру.
Джейк Вен — архитектор решений в AWS, увлеченный машинным обучением, обработкой естественного языка и глубоким обучением. Он помогает корпоративным клиентам добиться модернизации и масштабируемого развертывания в облаке. Помимо мира технологий, Джейк находит удовольствие в катании на скейтборде, пеших походах и пилотировании воздушных дронов.
Сону Кумар Сингх — архитектор решений AWS со специализацией в области аналитики. Он сыграл важную роль в катализаторе трансформационных сдвигов в организациях, обеспечивая возможность принятия решений на основе данных, тем самым стимулируя инновации и рост. Ему нравится, когда что-то, что он спроектировал или создал, оказывает положительное влияние. В AWS его цель — помочь клиентам извлечь выгоду из более чем 200 облачных сервисов AWS и расширить их возможности в облачном путешествии.
Дариуш Азими — архитектор решений в AWS, специализирующийся на машинном обучении, обработке естественного языка (NLP) и архитектуре микросервисов в Kubernetes. Его миссия — дать организациям возможность использовать весь потенциал своих данных с помощью комплексных комплексных решений, включающих хранение данных, доступность, анализ и возможности прогнозирования.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :имеет
- :является
- :куда
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- способность
- в состоянии
- О нас
- академический
- доступ
- доступность
- доступной
- Учетная запись
- точность
- точный
- точно
- достижение
- признавать
- фактического соединения
- адрес
- адресованный
- продвижение
- продвинутый
- достижения
- AI
- помощь
- AIR
- алгоритмы
- Все
- Позволяющий
- позволяет
- причислены
- Amazon
- Создатель мудреца Амазонки
- Холст Amazon SageMaker
- Amazon Web Services
- американские
- an
- анализ
- аналитика
- и
- любой
- Применение
- подхода
- архитектура
- МЫ
- около
- искусственный
- искусственный интеллект
- Искусственный интеллект (AI)
- AS
- помогает
- связанный
- At
- автоматизировать
- Автоматический
- автоматически
- AWS
- Backend
- фон
- фоны
- Баланс
- барьер
- основанный
- Базель
- BE
- , так как:
- было
- верить
- ниже
- Преимущества
- ЛУЧШЕЕ
- Лучшая
- между
- Beyond
- граница
- Дно
- Коробка
- Приносит
- шире
- строить
- Строительство
- строит
- кнопка
- by
- под названием
- CAN
- рак
- холст
- возможности
- заботится
- осторожно
- случаев
- случаев
- катализирующий
- категории
- Клетки
- Центр
- определенный
- вызов
- проблемы
- шанс
- шансы
- изменение
- характеристика
- выбор
- Выберите
- Выбирая
- класс
- классов
- классификация
- клиницисты
- облако
- облачные сервисы
- код
- Кодирование
- сотрудничество
- лыжных шлемов
- цвет
- Column
- комбинации
- Общий
- неотразимый
- полный
- зАВЕРШАЕТ
- комплекс
- комплексный
- компьютер
- Компьютерное зрение
- сама концепция
- Условия
- подтверждение
- ПОДТВЕРЖДЕНО
- Консенсус
- состоит
- Консоли
- потребление
- содержание
- способствовать
- исправить
- соответствующий
- Расходы
- может
- Создайте
- создали
- Создающий
- создание
- решающее значение
- громоздкий
- Куратор
- кривая
- Клиенты
- опасно
- данным
- хранение данных
- управляемых данными
- Вселенная данных
- смерть
- Принятие решений
- решения
- глубоко
- глубокое погружение
- глубокое обучение
- восторг
- демократизация
- демонстрировать
- в зависимости
- развертывание
- развертывание
- описано
- предназначенный
- желанный
- подробный
- обнаруживать
- обнаруженный
- обнаружение
- определены
- определения
- развитый
- развивающийся
- Развитие
- Диалог
- различный
- дифференцировать
- непосредственно
- обсуждать
- Болезнь
- заболеваний
- выделить
- погружение
- do
- врач
- Врачи
- дело
- домен
- скачать
- кардинально
- управляемый
- беспилотники
- e
- каждый
- Ранее
- Рано
- Эффективный
- затрат
- усилие
- элемент
- ликвидирует
- занятых
- расширение прав и возможностей
- Наделяет
- позволяет
- позволяет
- охватывая
- впритык
- Усиливает
- обеспечивать
- Предприятие
- существенный
- По оценкам,
- оценивать
- Исследует
- ускорять
- Эксперименты
- эксперту
- опыта
- Больше
- Разведанный
- обширный
- извлечение
- f1
- сталкиваются
- факторы
- ложный
- далеко
- Особенность
- несколько
- поле
- фигура
- Файл
- находит
- First
- Фокус
- после
- Что касается
- культивирует
- найденный
- доля
- от
- полный
- функциональность
- далее
- разрыв
- сбор
- Общие
- порождать
- генерирует
- получить
- данный
- большой
- земля
- Рост
- инструкция
- упряжь
- Гарвардский
- Есть
- he
- здравоохранение
- здоровый
- помощь
- помощь
- Выделите
- его
- Удар
- имеет
- ЧАСЫ
- Как
- How To
- Однако
- HTML
- HTTPS
- человек
- Человеческий элемент
- Сотни
- Гибридный
- i
- идеальный
- идентифицированный
- идентифицирует
- определения
- Личность
- if
- изображение
- Классификация изображений
- изображений
- Влияние
- Воздействие
- Импортировать
- важную
- улучшать
- улучшенный
- in
- включает в себя
- В том числе
- включительно
- Увеличивает
- начальный
- Инновации
- размышления
- пример
- инструментальный
- интегрировать
- интеграции.
- Интеллекта
- предназначенных
- Намерение
- Интерфейс
- интерфейсы
- в
- неоценимый
- IT
- ЕГО
- саму трезвость
- путешествие
- JPG
- Основные
- знания
- Кумар
- этикетка
- навешивания ярлыков
- язык
- большой
- Лиды
- изучение
- оставил
- легкий
- такое как
- Список
- листинг
- журнал
- машина
- обучение с помощью машины
- сделать
- управление
- многих
- математический
- Май..
- проводить измерение
- меры
- основным медицинским
- методы
- Метрика
- Микроскопия
- microservices
- сводит к минимуму
- Минут
- отсутствующий
- Наша миссия
- ML
- модель
- Модели
- модернизировать
- Мониторинг
- БОЛЕЕ
- Более того
- самых
- с разными
- имя
- имена
- натуральный
- Обработка естественного языка
- природа
- Откройте
- Навигация
- Необходимость
- нуждающихся
- потребности
- негативах
- Новые
- следующий
- NIH
- НЛП
- сейчас
- NV
- объекты
- of
- .
- on
- консолидировать
- ONE
- Откроется
- оптимальный
- Опция
- Опции
- or
- организации
- Другое
- наши
- внешний
- Результаты
- изложенные
- выходной
- за
- общий
- собственный
- страница
- хлеб
- страсть
- страстный
- пациент
- пациентов
- для
- производительность
- выполняет
- Разрешения
- Выборы
- пилотирование
- основной
- планирование
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- Играть
- играет
- пожалуйста
- пунктов
- сообщения
- положительный
- возможное
- После
- потенциал
- потенциально
- мощностью
- мощный
- необходимость
- Точность
- предсказанный
- прогноз
- Predictions
- предсказывает
- представить
- приоритизирует
- процедуры
- процесс
- обработка
- профессионалы
- глубокий
- доля
- обеспечивать
- приводит
- обеспечение
- опубликованный
- целей
- САЙТ
- быстро
- Радио
- ассортимент
- скорее
- реальный мир
- область
- выздоровление
- уменьшить
- Цена снижена
- снижает
- относиться
- понимается
- освободить
- соответствующие
- надежность
- остатки
- замещать
- представитель
- требовать
- обязательный
- требуется
- исследованиям
- исследователи
- Полезные ресурсы
- ОТДЫХ
- Итоги
- правую
- Роли
- работает
- sagemaker
- говорит
- масштабируемые
- Гол
- поцарапать
- экран
- скрининг
- Во-вторых
- Раздел
- посмотреть
- выбранный
- датчик
- Серии
- серьезный
- служить
- Serverless
- служит
- обслуживание
- Услуги
- набор
- семь
- Форма
- разделение
- Смены
- должен
- демонстрации
- показал
- показанный
- Шоу
- значительный
- существенно
- просто
- упрощенный
- упростить
- одинарной
- Размер
- навыки
- Кожа
- Software
- разработка программного обеспечения
- солнечный
- Решение
- Решения
- удалось
- специализированный
- специализация
- конкретный
- скорость
- стандарт
- Начало
- Начало
- начинается
- Область
- Статус:
- Шаг
- Шаги
- Stop
- диск
- Кабинет
- успешный
- Успешно
- такие
- предлагать
- Убедитесь
- хирургический
- подозрительный
- принимает
- с
- технологии
- Технический
- снижения вреда
- тестXNUMX
- тестов
- текст
- чем
- который
- Ассоциация
- их
- Их
- тогда
- Там.
- тем самым
- Эти
- они
- этой
- те
- тысячи
- Через
- время
- Временные ряды
- кропотливый
- своевременно
- в
- инструментом
- инструменты
- tp
- традиционный
- Train
- специалистов
- Обучение
- поезда
- перевод
- преобразующей
- лечения
- лечение
- правда
- Правда
- стараться
- два
- напишите
- Типы
- типично
- В конечном счете
- под
- претерпевать
- созданного
- ненужный
- Применение
- использование
- прецедент
- используемый
- удобно
- через
- ценный
- ценностное
- разнообразие
- различный
- проверить
- Вид
- видимый
- видение
- жизненный
- ждать
- хотеть
- законопроект
- Смотреть
- we
- Web
- веб-сервисы
- были
- когда
- будь то
- который
- КТО
- окно
- в
- без
- Семинары
- Мир
- письмо
- год
- Ты
- ВАШЕ
- зефирнет
- ZIP