To je gostujoča objava v blogu, ki jo je napisal Nitin Kumar, vodilni podatkovni znanstvenik pri T and T Consulting Services, Inc.
V tem prispevku razpravljamo o vrednosti in potencialnem vplivu zveznega učenja na področju zdravstvenega varstva. Ta pristop lahko pomaga bolnikom s srčno kapjo, zdravnikom in raziskovalcem pri hitrejši diagnozi, obogatenem odločanju in bolj informiranem, vključujočem raziskovalnem delu o zdravstvenih težavah, povezanih z možgansko kapjo, z uporabo pristopa, ki je naravnan v oblaku, s storitvami AWS za lahek dvig in preprosto sprejetje .
Izzivi pri diagnozi srčne kapi
Statistika iz Center za nadzor in preprečevanje bolezni (CDC) kažejo, da vsako leto v ZDA več kot 795,000 ljudi doživi svojo prvo možgansko kap, približno 25 % pa jih doživi ponavljajoče se napade. To je peti vzrok smrti glede na Ameriško združenje za možganske kapi in glavni vzrok invalidnosti v ZDA. Zato sta ključnega pomena pravočasna diagnoza in zdravljenje za zmanjšanje poškodb možganov in drugih zapletov pri bolnikih z akutno možgansko kapjo.
CT in MRI sta zlati standard v tehnologijah slikanja za razvrščanje različnih podvrst možganske kapi in sta ključnega pomena pri predhodnem ocenjevanju bolnikov, določanju temeljnega vzroka in zdravljenju. Eden ključnih izzivov, zlasti v primeru akutne možganske kapi, je čas slikovne diagnoze, ki v povprečju znaša od 30 minut do ene ure in lahko traja veliko dlje, odvisno od gneče na urgentnem oddelku.
Zdravniki in medicinsko osebje potrebujejo hitro in natančno slikovno diagnozo, da lahko ocenijo bolnikovo stanje in predlagajo možnosti zdravljenja. Po besedah dr. Wernerja Vogelsa pri AWS re: Izum 2023, "vsaka sekunda, ko človeka zadene možganska kap, šteje." Žrtve možganske kapi lahko izgubijo približno 1.9 milijarde nevronov vsako sekundo, ko niso zdravljene.
Omejitve zdravstvenih podatkov
Za pomoč zdravnikom in raziskovalcem pri diagnostičnih nalogah lahko uporabite strojno učenje (ML), s čimer pospešite postopek. Vendar pa so nabori podatkov, potrebni za izdelavo modelov ML in zagotavljanje zanesljivih rezultatov, v silosih v različnih zdravstvenih sistemih in organizacijah. Ti izolirani podedovani podatki imajo potencial velikega vpliva, če se kopičijo. Zakaj torej še ni bil uporabljen?
Pri delu z nabori podatkov medicinske domene in gradnji rešitev ML obstaja več izzivov, vključno z zasebnostjo bolnikov, varnostjo osebnih podatkov ter določenimi birokratskimi in političnimi omejitvami. Poleg tega raziskovalne ustanove zaostrujejo svoje prakse izmenjave podatkov. Te ovire tudi preprečujejo mednarodnim raziskovalnim skupinam, da bi skupaj delale na raznolikih in bogatih zbirkah podatkov, kar bi lahko med drugim rešilo življenja in preprečilo invalidnost, ki je lahko posledica srčne kapi.
Politike in predpisi, kot so Splošna uredba o varstvu podatkov (GDPR), Zakon o prenosljivosti zdravstvenega zavarovanja in odgovornosti (HIPPA) in Kalifornijski zakon o zasebnosti potrošnikov (CCPA) postavila zaščitne ograje pri izmenjavi podatkov s področja medicine, zlasti podatkov o bolnikih. Poleg tega so nabori podatkov v posameznih inštitutih, organizacijah in bolnišnicah pogosto premajhni, neuravnoteženi ali imajo pristransko porazdelitev, kar vodi do omejitev posploševanja modela.
Zvezno učenje: uvod
Zvezno učenje (FL) je decentralizirana oblika strojnega učenja – dinamični inženirski pristop. Pri tem decentraliziranem pristopu ML si organizacije delijo model ML za usposabljanje na podnaborih lastniških podatkov, za razliko od tradicionalnega centraliziranega usposabljanja ML, kjer se model na splošno usposablja na združenih naborih podatkov. Podatki ostanejo zaščiteni za požarnimi zidovi organizacije ali VPC, medtem ko se model z njegovimi metapodatki deli.
V fazi usposabljanja se globalni model FL razširja in sinhronizira med organizacijami enot za usposabljanje na posameznih nizih podatkov, vrne pa se lokalni usposobljeni model. Končni globalni model je na voljo za izdelavo napovedi za vse udeležence in se lahko uporablja tudi kot osnova za nadaljnje usposabljanje za izdelavo lokalnih modelov po meri za sodelujoče organizacije. Nadalje se lahko razširi v korist drugih inštitutov. Ta pristop lahko znatno zmanjša zahteve glede kibernetske varnosti za podatke med prenosom, tako da sploh odstrani potrebo po tranzitu podatkov izven meja organizacije.
Naslednji diagram prikazuje primer arhitekture.
V naslednjih razdelkih razpravljamo o tem, kako lahko zvezno učenje pomaga.
Zveza se uči rešiti dan (in rešiti življenja)
Za dobro umetno inteligenco (AI) potrebujete dobre podatke.
Podedovani sistemi, ki jih pogosto najdemo v zvezni domeni, predstavljajo velike izzive pri obdelavi podatkov, preden lahko pridobite kakršno koli inteligenco ali jih združite z novejšimi nabori podatkov. To je ovira pri zagotavljanju dragocenih obveščevalnih podatkov voditeljem. To lahko povzroči netočno odločanje, ker je delež podedovanih podatkov včasih veliko bolj dragocen v primerjavi z novejšim majhnim naborom podatkov. To ozko grlo želite odpraviti učinkovito in brez delovnih obremenitev ročne konsolidacije in integracije (vključno z okornimi postopki preslikave) za podedovane in novejše nabore podatkov, ki se nahajajo po bolnišnicah in inštitutih, kar lahko traja več mesecev – če ne let, v mnogih primerih. Podedovani podatki so zelo dragoceni, ker vsebujejo pomembne kontekstualne informacije, potrebne za natančno odločanje in dobro obveščeno usposabljanje modelov, kar vodi do zanesljive umetne inteligence v resničnem svetu. Trajanje podatkov obvešča o dolgoročnih variacijah in vzorcih v naboru podatkov, ki sicer ne bi bili odkriti in vodijo do pristranskih in slabo informiranih napovedi.
Razbijanje teh podatkovnih silosov za združitev neizkoriščenega potenciala razpršenih podatkov lahko reši in preoblikuje mnoga življenja. Prav tako lahko pospeši raziskave v zvezi s sekundarnimi zdravstvenimi težavami, ki izhajajo iz srčne kapi. Ta rešitev vam lahko pomaga deliti vpoglede iz podatkov, ločenih med inštituti zaradi politike in drugih razlogov, ne glede na to, ali ste bolnišnica, raziskovalni inštitut ali druge organizacije, osredotočene na zdravstvene podatke. Omogoči lahko informirane odločitve o usmeritvi raziskave in diagnozi. Poleg tega ima za posledico centralizirano skladišče obveščevalnih podatkov prek varne, zasebne in globalne baze znanja.
Zvezno učenje ima številne prednosti na splošno in posebej za nastavitve zdravstvenih podatkov.
Funkcije varnosti in zasebnosti:
- Hrani občutljive podatke proč od interneta in jih še vedno uporablja za strojno učenje ter izkorišča svojo inteligenco z različno zasebnostjo
- Omogoča izgradnjo, usposabljanje in uvajanje nepristranskih in robustnih modelov v ne samo strojih, ampak tudi v omrežjih, brez nevarnosti za varnost podatkov
- Premaguje ovire z več ponudniki, ki upravljajo podatke
- Odpravlja potrebo po izmenjavi podatkov med spletnimi mesti in globalnem upravljanju
- Ohranja zasebnost z diferencialno zasebnostjo in ponuja varno večstransko računanje z lokalnim usposabljanjem
Izboljšave zmogljivosti:
- Rešuje problem majhne velikosti vzorca v prostoru za medicinsko slikanje in drage postopke označevanja
- Uravnoteži porazdelitev podatkov
- Omogoča vam, da vključite večino tradicionalnih metod ML in globokega učenja (DL).
- Uporablja združene nabore slik za pomoč pri izboljšanju statistične moči in presega omejitev velikosti vzorca posameznih institucij
Prednosti odpornosti:
- Če se katera od strank odloči oditi, to ne bo oviralo usposabljanja
- Nova bolnišnica ali inštitut se lahko pridruži kadarkoli; ni odvisen od nobenega posebnega nabora podatkov z nobeno organizacijo vozlišča
- Ni potrebe po obsežnih cevovodih podatkovnega inženiringa za podedovane podatke, razpršene po razširjenih geografskih lokacijah
Te funkcije lahko pomagajo zrušiti zidove med institucijami, ki gostijo izolirane nabore podatkov na podobnih domenah. Rešitev lahko postane multiplikator moči z izkoriščanjem poenotenih moči porazdeljenih naborov podatkov in izboljšanjem učinkovitosti s korenitim preoblikovanjem vidika razširljivosti brez velikega dviga infrastrukture. Ta pristop pomaga ML doseči svoj polni potencial in postane usposobljen na klinični ravni in ne le pri raziskavah.
Zvezno učenje ima primerljivo zmogljivost z običajnim ML, kot je prikazano v nadaljevanju poskus avtor NVidia Clara (na Medical Modal ARchive (MMAR) z uporabo nabora podatkov BRATS2018). Tu je FL dosegel primerljivo učinkovitost segmentacije v primerjavi z usposabljanjem s centraliziranimi podatki: več kot 80 % s približno 600 epohami med usposabljanjem večmodalne naloge segmentacije možganskega tumorja v več razredih.
Zvezno učenje je bilo pred kratkim preizkušeno na nekaj medicinskih podpoljih za primere uporabe, vključno z učenjem podobnosti bolnikov, učenjem predstavljanja bolnikov, fenotipizacijo in napovednim modeliranjem.
Načrt aplikacije: zvezno učenje omogoča enostavno in preprosto
Če želite začeti uporabljati FL, lahko izbirate med številnimi visokokakovostnimi nabori podatkov. Na primer, podatkovni nizi s slikami možganov vključujejo VZDRŽI (Pobuda za izmenjavo podatkov o slikanju možganov z avtizmom), ADNI (Pobuda za nevroimaging Alzheimerjeve bolezni), RSNA (Radiološko društvo Severne Amerike) CT možganov, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) se redno posodablja za izziv segmentacije možganskega tumorja pod UPenn (Univerza v Pensilvaniji), UK BioBank (zajeto v naslednjem NIH papirja), In XI. Podobno za slike srca lahko izbirate med več javno dostopnimi možnostmi, vključno z ACDC (Automatic Cardiac Diagnosis Challenge), ki je nabor podatkov o oceni MRI srca s popolno opombo, ki jo omenja Nacionalna medicinska knjižnica v naslednjem papirjain M&M (Multi-Center, Multi-Vendor in Multi-Disease) izziv srčne segmentacije, omenjen v naslednjem IEEE papir.
Naslednje slike prikazujejo a verjetnostna karta prekrivanja lezij za primarne lezije iz nabora podatkov ATLAS R1.1. (Možganska kap je eden najpogostejših vzrokov za možganske lezije glede na Cleveland Clinic.)
Za podatke elektronskih zdravstvenih kartotek (EHR) je na voljo nekaj nizov podatkov, ki sledijo Hitri viri interoperabilnosti zdravstvenega varstva (FHIR) standard. Ta standard vam pomaga zgraditi enostavne pilote z odstranjevanjem določenih izzivov s heterogenimi, nenormaliziranimi nabori podatkov, kar omogoča brezhibno in varno izmenjavo, skupno rabo in integracijo naborov podatkov. FHIR omogoča maksimalno interoperabilnost. Primeri nabora podatkov vključujejo MIMIC-IV (Medical Information Mart za intenzivno nego). Drugi nizi podatkov dobre kakovosti, ki trenutno niso FHIR, vendar jih je mogoče preprosto pretvoriti, vključujejo Centri za storitve Medicare in Medicaid (CMS) Datoteke za javno uporabo (PUF) in eICU zbirka podatkov o skupnih raziskavah z MIT (Massachusetts Institute of Technology). Na voljo so tudi drugi viri, ki ponujajo nabore podatkov, ki temeljijo na FHIR.
Življenjski cikel za implementacijo FL lahko vključuje naslednje koraki: inicializacija naloge, izbira, konfiguracija, usposabljanje modela, komunikacija odjemalec/strežnik, razporejanje in optimizacija, različice, testiranje, uvajanje in prekinitev. Obstaja veliko časovno intenzivnih korakov za pripravo medicinskih slikovnih podatkov za tradicionalno ML, kot je opisano v nadaljevanju papirja. V nekaterih scenarijih bo morda potrebno znanje domene za predhodno obdelavo neobdelanih podatkov o pacientu, zlasti zaradi njegove občutljive in zasebne narave. Te je mogoče konsolidirati in včasih odpraviti za FL, s čimer prihranite ključni čas za usposabljanje in zagotovite hitrejše rezultate.
Izvajanje
Orodja in knjižnice FL so se povečale s široko podporo, zaradi česar je uporaba FL preprosta brez težkega dvigala nad glavo. Za začetek je na voljo veliko dobrih virov in okvirnih možnosti. Lahko se sklicujete na naslednje obsežen seznam najbolj priljubljenih ogrodij in orodij v domeni FL, vključno z PySyft, FedML, Flower, OpenFL, FATE, TensorFlow Federatedin NVFlare. Ponuja seznam projektov za začetnike, s katerimi lahko hitro začnete in nadgrajujete.
Izvorni pristop v oblaku lahko implementirate z Amazon SageMaker ki brezhibno deluje z AWS VPC peering, ohranjanje usposabljanja vsakega vozlišča v zasebnem podomrežju v njihovem zadevnem VPC in omogočanje komunikacije prek zasebnih naslovov IPv4. Nadalje model gostovanja naprej Amazon SageMaker JumpStart lahko pomaga tako, da razkrije API končne točke brez skupne rabe uteži modela.
Prav tako odpravlja morebitne računalniške izzive na visoki ravni s strojno opremo na mestu uporabe Amazonski elastični računalniški oblak (Amazon EC2) virov. Odjemalca FL in strežnike lahko implementirate na AWS z Prenosniki SageMaker in Preprosta storitev shranjevanja Amazon (Amazon S3), vzdržujte reguliran dostop do podatkov in modelirajte s AWS upravljanje identitete in dostopa (IAM) vloge in uporabo Storitev AWS Security Token (AWS STS) za varnost na strani odjemalca. Prav tako lahko zgradite svoj sistem po meri za FL z uporabo Amazon EC2.
Za podroben pregled izvajanja FL z Flower ogrodje na SageMakerju in razprava o njegovi razliki od porazdeljenega usposabljanja se nanaša na Strojno učenje z decentraliziranimi podatki o usposabljanju z uporabo zveznega učenja na Amazon SageMaker.
Naslednje slike ponazarjajo arhitekturo prenosnega učenja v FL.
Reševanje podatkovnih izzivov FL
Zvezno učenje prinaša lastne podatkovne izzive, vključno z zasebnostjo in varnostjo, vendar jih je preprosto rešiti. Najprej morate obravnavati problem heterogenosti podatkov s podatki o medicinskih slikah, ki izhajajo iz podatkov, shranjenih na različnih mestih in sodelujočih organizacijah, znanih kot premik domene težava (imenovana tudi premik stranke v sistemu FL), kot sta poudarila Guan in Liu v nadaljevanju papirja. To lahko vodi do razlike v konvergenci globalnega modela.
Druge komponente, ki jih je treba upoštevati, vključujejo zagotavljanje kakovosti in enotnosti podatkov pri viru, vključevanje strokovnega znanja v učni proces, da bi pri zdravstvenih delavcih vzbudili zaupanje v sistem, in doseganje natančnosti modela. Za več informacij o nekaterih potencialnih izzivih, s katerimi se lahko srečate med izvajanjem, glejte naslednje papirja.
AWS vam pomaga rešiti te izzive s funkcijami, kot sta prilagodljivo računanje Amazon EC2 in vnaprej zgrajena Docker slike v SageMaker za preprosto uvajanje. Težave na strani odjemalca, kot so neuravnoteženi podatki in računski viri, lahko razrešite za vsako organizacijo vozlišča. Težave z učenjem na strani strežnika, kot so napadi zastrupitve zlonamernih strank, lahko obravnavate z Navidezni zasebni oblak Amazon (Amazon VPC), varnostne skupine, in druge varnostne standarde, preprečevanje poškodovanja strank in izvajanje storitev za odkrivanje nepravilnosti AWS.
AWS pomaga tudi pri reševanju izzivov implementacije v resničnem svetu, ki lahko vključujejo izzive pri integraciji, težave z združljivostjo s trenutnimi ali podedovanimi bolnišničnimi sistemi in ovire pri sprejemanju uporabnikov, tako da ponuja prilagodljive, za uporabo enostavne in preproste rešitve za dvigalo.
S storitvami AWS lahko omogočite obsežne raziskave, ki temeljijo na FL, ter klinično implementacijo in uvajanje, ki je lahko sestavljeno iz različnih lokacij po vsem svetu.
Nedavne politike interoperabilnosti poudarjajo potrebo po zveznem učenju
Številni zakoni, ki jih je nedavno sprejela vlada, se osredotočajo na interoperabilnost podatkov, kar krepi potrebo po medorganizacijski interoperabilnosti podatkov za obveščanje. To je mogoče izpolniti z uporabo FL, vključno z okviri, kot je TEFCA (Trusted Exchange Framework and Common Agreement) in razširjeno USCDI (Osnovni podatki Združenih držav za interoperabilnost).
Predlagana ideja prispeva tudi k pobudi CDC za zajemanje in distribucijo CDC gre naprej. Naslednji citat iz članka GovCIO Izmenjava podatkov in umetna inteligenca glavni prednostni nalogi zvezne zdravstvene agencije v letu 2024 prav tako odmeva podobno temo: »Te zmogljivosti lahko prav tako podprejo javnost na pravičen način, tako da se srečajo s pacienti, kjer so, in sprostijo kritičen dostop do teh storitev. Velik del tega dela se nanaša na podatke.«
To lahko pomaga medicinskim inštitutom in agencijam po vsej državi (in po vsem svetu) pri podatkovnih silosih. Izkoristijo lahko brezhibno in varno integracijo ter interoperabilnost podatkov, zaradi česar so medicinski podatki uporabni za učinkovita predvidevanja in prepoznavanje vzorcev, ki temeljijo na ML. Začnete lahko s slikami, vendar je pristop uporaben tudi za vse EHR. Cilj je najti najboljši pristop za zainteresirane strani podatkov, s cevovodom v oblaku za normalizacijo in standardizacijo podatkov ali njihovo neposredno uporabo za FL.
Raziščimo primer uporabe. Podatki o slikanju srčne kapi in posnetki so razpršeni po vsej državi in svetu, ležijo v izoliranih silosih na inštitutih, univerzah in bolnišnicah ter ločeni z birokratskimi, geografskimi in političnimi mejami. Ni enotnega združenega vira in ni preprostega načina, da bi zdravstveni delavci (neprogramerji) iz njega pridobili vpoglede. Hkrati ni izvedljivo usposobiti modelov ML in DL na podlagi teh podatkov, kar bi lahko pomagalo zdravstvenim delavcem pri sprejemanju hitrejših in natančnejših odločitev v kritičnih časih, ko lahko skeniranje srca traja več ur, medtem ko je življenje bolnika lahko ogroženo. ravnovesje.
Drugi znani primeri uporabe vključujejo POTS (Sistem za spletno sledenje nakupom) pri NIH (Nacionalni inštituti za zdravje) in kibernetska varnost za potrebe po razpršenih in stopenjskih obveščevalnih rešitvah na lokacijah COMCOM/MAJCOM po vsem svetu.
zaključek
Zvezno učenje veliko obeta za podedovano analizo in obveščanje zdravstvenih podatkov. S storitvami AWS je preprosto implementirati izvorno rešitev v oblaku, FL pa je še posebej koristen za zdravstvene organizacije s podedovanimi podatki in tehničnimi izzivi. FL lahko potencialno vpliva na celoten cikel zdravljenja, zdaj pa še toliko bolj s poudarkom na interoperabilnosti podatkov velikih zveznih organizacij in vladnih voditeljev.
Ta rešitev vam lahko pomaga, da se izognete ponovnemu odkrivanju kolesa in uporabite najnovejšo tehnologijo, da naredite preskok od starih sistemov in postanete v ospredju v tem nenehno razvijajočem se svetu umetne inteligence. Prav tako lahko postanete vodilni za najboljše prakse in učinkovit pristop k interoperabilnosti podatkov znotraj in med agencijami in inštituti na področju zdravja in zunaj njega. Če ste inštitut ali agencija s podatkovnimi silosi, razpršenimi po vsej državi, lahko izkoristite to brezhibno in varno integracijo.
Vsebina in mnenja v tej objavi so last avtorja tretje osebe in AWS ni odgovoren za vsebino ali točnost te objave. Odgovornost vsake stranke je, da ugotovi, ali zanjo velja HIPAA, in če je tako, kako najbolje ravnati v skladu s HIPAA in njegovimi izvedbenimi predpisi. Pred uporabo AWS v povezavi z zaščitenimi zdravstvenimi podatki morajo stranke vnesti dodatek AWS Business Associate Addendum (BAA) in upoštevati njegove konfiguracijske zahteve.
O Author
Nitin Kumar (MS, CMU) je vodilni podatkovni znanstvenik pri T and T Consulting Services, Inc. Ima bogate izkušnje z izdelavo prototipov za raziskave in razvoj, zdravstveno informatiko, podatki javnega sektorja in interoperabilnostjo podatkov. Svoje znanje o najsodobnejših raziskovalnih metodah uporablja v zveznem sektorju za zagotavljanje inovativnih tehničnih dokumentov, POC in MVP. Sodeloval je z več zveznimi agencijami, da bi pospešil njihove cilje glede podatkov in umetne inteligence. Nitinova druga področja osredotočanja vključujejo obdelavo naravnega jezika (NLP), podatkovne kanale in generativno umetno inteligenco.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :ima
- : je
- :ne
- :kje
- $GOR
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- O meni
- pospeši
- dostop
- Po
- odgovornost
- natančnost
- natančna
- doseže
- doseganju
- ACM
- čez
- Poleg tega
- Naslov
- naslovi
- naslavljanje
- Sprejetje
- napredovanje
- agencije
- agencija
- združeno
- Sporazum
- AI
- vsi
- Dovoli
- Prav tako
- Alzheimerjeva bolezen
- Amazon
- Amazon EC2
- Amazon Web Services
- Amerika
- med
- an
- analitika
- in
- odkrivanje anomalije
- kaj
- API
- primerno
- velja
- pristop
- približno
- Arhitektura
- Arhiv
- SE
- območja
- ki nastajajo
- okoli
- članek
- umetni
- Umetna inteligenca
- Umetna inteligenca (AI)
- AS
- vidik
- ocenjevanje
- pomoč
- Sodelavec
- At
- Napadi
- Avtor
- Avtizem
- Samodejno
- Na voljo
- povprečno
- izogniti
- stran
- AWS
- Ravnovesje
- baza
- BE
- ker
- postanejo
- postajajo
- bilo
- pred
- zadaj
- počutje
- merilo
- koristi
- Prednosti
- BEST
- najboljše prakse
- med
- Poleg
- pristranski
- Billion
- Blog
- načrt
- krepitev
- ozko grlo
- Meje
- Brain
- prinašajo
- izgradnjo
- Building
- birokratski
- poslovni
- vendar
- by
- CA
- CAN
- Zmogljivosti
- zajemanje
- ki
- primeru
- primeri
- Vzrok
- vzroki
- CCPA
- CDC
- centralizirano
- nekatere
- izziv
- izzivi
- šef
- Izberite
- Clara
- stranke
- klinični
- Cms
- sodelovanje
- kako
- prihaja
- Skupno
- Komunikacija
- primerljiva
- v primerjavi z letom
- združljivost
- izpolnjujejo
- deli
- računanje
- Izračunajte
- stanje
- zaupanje
- konfiguracija
- povezava
- premislek
- konsolidacijo
- omejitve
- svetovanje
- Potrošnik
- zasebnost potrošnikov
- vsebina
- kontekstualno
- prispeva
- nadzor
- Konvergenca
- pretvori
- Core
- Korupcija
- drago
- bi
- država
- zajeti
- kritično
- ključnega pomena
- okoren
- Trenutna
- Trenutno
- po meri
- Stranke, ki so
- vrhunsko
- Cybersecurity
- cikel
- škoda
- datum
- Podatkovna analiza
- Izmenjava podatkov
- obdelava podatkov
- Varstvo podatkov
- podatkovni znanstvenik
- Varovanje podatkov
- izmenjavo podatkov
- nabor podatkov
- dan
- Smrt
- Decentralizirano
- Odločanje
- odločitve
- globoko
- globoko učenje
- poda
- Oddelek
- Odvisno
- razporedi
- uvajanje
- drift
- opisano
- podrobno
- Odkrivanje
- Ugotovite,
- določanje
- diagnoza
- diagram
- Razlika
- drugačen
- digitalni
- smer
- neposredno
- invalidnosti
- razpravlja
- Razprava
- bolezen
- porazdeljena
- razdeljeno usposabljanje
- distribucija
- razne
- Zdravniki
- domena
- domen
- navzdol
- dr
- 2
- trajanje
- med
- dinamično
- vsak
- enostavno
- lahka
- enostaven za uporabo
- odmevi
- učinkovito
- učinkovitosti
- učinkovite
- brez napora
- prizadevanja
- Electronic
- Elektronski zdravstveni zapisi
- odpraviti
- v sili
- omogočajo
- omogoča
- omogočanje
- Končna točka
- Inženiring
- obogatena
- zagotoviti
- Vnesite
- Celotna
- epohe
- pravični
- zlasti
- oceniti
- Tudi
- Tudi vsak
- vsi
- Primer
- Primeri
- Izmenjava
- razširiti
- izkušnje
- strokovnjak
- raziskuje
- podaljšan
- obsežen
- Obširne izkušnje
- ekstrakt
- Obraz
- hitreje
- izvedljivo
- Lastnosti
- Zvezna
- zvezno
- Nekaj
- Polje
- Številke
- datoteke
- končna
- Najdi
- požarni zidovi
- prva
- pet
- prilagodljiv
- Osredotočite
- sledi
- po
- za
- moč
- ospredju
- obrazec
- je pokazala,
- Okvirni
- okviri
- pogosto
- iz
- polno
- nadalje
- Poleg tega
- GDPR
- splošno
- splošno
- generativno
- Generativna AI
- geografsko
- dobili
- Daj
- Globalno
- globus
- Go
- Cilj
- Cilji
- Gold
- Gold Standard
- dobro
- vlada
- Vladni voditelji
- veliko
- goji
- Gost
- strojna oprema
- snopov
- Dovoljenje
- Imajo
- he
- Zdravje
- zdravstvene informacije
- zdravstveno varstvo
- Srce
- težka
- pomoč
- pomoč
- Pomaga
- tukaj
- na visoki ravni
- visoka kvaliteta
- Označite
- Poudarjeno
- ovira
- njegov
- drži
- Bolnišnica
- bolnišnice
- gostovanje
- URE
- Kako
- Vendar
- HTML
- http
- HTTPS
- Ovir
- Ideja
- identiteta
- IEEE
- if
- ilustrirajte
- ponazarja
- slika
- slike
- slikanje
- vpliv
- vplivno
- izvajati
- Izvajanje
- izvajanja
- Pomembno
- izboljšanje
- Izboljšave
- izboljšanju
- in
- netočne
- Inc
- vključujejo
- Vključno
- Vključno
- vključi
- vključujoč
- individualna
- Podatki
- obvestila
- obvešča
- Infrastruktura
- pobuda
- inovativne
- vpogledi
- navdih
- Inštitut
- Institucije
- zavarovanje
- integracija
- Intelligence
- Facebook Global
- Internet
- Interoperabilnost
- v
- izolirani
- Vprašanja
- IT
- ITS
- pridružite
- jpeg
- jpg
- samo
- vzdrževanje
- znanje
- znano
- Kumar
- označevanje
- jezik
- velika
- obsežne
- Zadnji
- Zakoni
- vodi
- Vodja
- Voditelji
- vodi
- Leap
- učenje
- pustite
- Legacy
- Stopnja
- knjižnice
- Knjižnica
- življenje
- življenski krog
- lahek
- kot
- Omejitev
- Seznam
- živi
- lokalna
- Lokacije
- dolgoročna
- več
- izgubiti
- Sklop
- stroj
- strojno učenje
- Stroji
- vzdrževati
- Znamka
- IZDELA
- Izdelava
- zlonamerno
- upravljanje
- Navodilo
- več
- map
- kartiranje
- Massachusetts
- Tehnološki inštitut Massachusetts
- ogromen
- največja
- Maj ..
- medicinski
- medicinske podatke
- Medicare
- zdravila
- srečanja
- omenjeno
- Spoji
- metapodatki
- Metode
- morda
- Minute
- MIT
- ML
- Model
- modeliranje
- modeli
- več
- Najbolj
- Najbolj popularni
- premikanje
- MRI
- veliko
- večstrankarsko
- več
- morajo
- MVP -ji
- nacionalni
- nacionalni zdravstveni inštituti
- naravna
- Obdelava Natural Language
- Narava
- Nimate
- potrebna
- potrebe
- omrežij
- Neuroni
- Novo
- novejši
- NIH
- nlp
- št
- Vozel
- sever
- North America
- zdaj
- Številka
- Nvidia
- ovira
- ovire
- of
- ponudba
- ponujanje
- Ponudbe
- uradniki
- pogosto
- on
- ONE
- na spletu
- Komentarji
- optimizacija
- možnosti
- or
- Organizacija
- organizacije
- Ostalo
- drugače
- zunaj
- več
- premagovanje
- režijske
- prekrivajo
- pregled
- lastne
- Papir
- članki
- Udeleženci
- sodelujejo
- Stranke
- zabava
- opravil
- Bolnik
- bolniki
- Vzorec
- vzorci
- Pennsylvania
- ljudje
- performance
- oseba
- Osebni
- osebni podatki
- faza
- pilotov
- plinovod
- platon
- Platonova podatkovna inteligenca
- PlatoData
- zastrupitev
- politike
- politika
- političnih
- Popular
- Prenosljivost
- predstavljajo
- mogoče
- Prispevek
- potencial
- moč
- Pooblastila
- vaje
- Precision
- Napovedi
- predhodno
- priprava
- preprečiti
- preprečevanje
- primarni
- zasebnost
- Zasebnost in varnost
- zasebna
- problem
- Težave
- Postopek
- Procesi
- obravnavati
- strokovnjaki
- projekti
- Obljuba
- Delež
- predlaga
- predlagano
- lastniško
- zaščiteni
- zaščita
- prototipov
- zagotavlja
- zagotavljanje
- javnega
- javno
- nakup
- dal
- kakovost
- Hitri
- hitro
- precej
- kvota
- R & D
- radikalno
- območja
- Surovi
- RE
- dosežejo
- pravo
- resnični svet
- Razlogi
- Pred kratkim
- Priznanje
- evidence
- ponavljajoče se
- zmanjša
- glejte
- besedilu
- redni
- redno
- urejeno
- predpisi
- povezane
- zanesljiv
- odstranjevanje
- Skladišče
- zastopanje
- Zahteve
- Raziskave
- Raziskovalne ustanove
- raziskovalci
- reševanje
- viri
- tisti,
- Odgovornost
- odgovorna
- Omejitve
- povzroči
- Rezultati
- Rich
- robusten
- vloge
- koren
- sagemaker
- Enako
- Vzorec
- Shrani
- shranjevanje
- Prilagodljivost
- skenira
- razpršene
- scenariji
- razporejanje
- Znanstvenik
- brezšivne
- brez težav
- drugi
- sekundarno
- oddelki
- sektor
- zavarovanje
- varnost
- varnostni žeton
- segmentacija
- izbor
- občutljiva
- Strežniki
- Storitve
- Kompleti
- nastavitve
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- deli
- delitev
- Prikaži
- pokazale
- pomemben
- bistveno
- silosi
- Podoben
- podobno
- Enostavno
- sam
- Spletna mesta
- Sedenje
- Velikosti
- majhna
- So
- Društvo
- Rešitev
- rešitve
- nekaj
- Včasih
- vir
- Vesolje
- specifična
- posebej
- Osebje
- interesne skupine
- standardna
- standardi
- Začetek
- začel
- Države
- Statistično
- Koraki
- Še vedno
- shranjevanje
- shranjeni
- naravnost
- predmet
- subnet
- podpora
- sistem
- sistemi
- Bodite
- meni
- Naloga
- Naloge
- Skupine
- tech
- tehnični
- Tehnologije
- Tehnologija
- tensorflo
- Testiran
- Testiranje
- kot
- da
- O
- Vir
- svet
- njihove
- Njih
- tema
- Tukaj.
- s tem
- zato
- te
- jih
- tretjih oseb
- ta
- tisti,
- skozi
- zategovanje
- čas
- krat
- do
- skupaj
- žeton
- tudi
- orodja
- vrh
- proti
- Sledenje
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- prenos
- Transform
- preoblikovanje
- tranzit
- zdravljeni
- Zdravljenje
- zaupa
- Uk
- nepristransko
- pod
- poenoteno
- Enota
- združiti
- Velika
- Združene države Amerike
- Univerze
- univerza
- za razliko od
- odklepanje
- neizkoriščen
- posodobljeno
- naprej
- us
- uporabno
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Sprejetje uporabnika
- uporablja
- uporabo
- dragocene
- vrednost
- variacije
- različnih
- prodajalci
- preko
- žrtve
- Virtual
- želeli
- način..
- we
- web
- spletne storitve
- Dobro
- Kolo
- kdaj
- ali
- ki
- medtem
- zakaj
- razširjen
- z
- v
- brez
- besede
- delo
- delal
- deluje
- deluje
- svet
- bi
- pisni
- leto
- let
- še
- Vi
- Vaša rutina za
- zefirnet