Analiza medicinskih slik igra ključno vlogo pri diagnosticiranju in zdravljenju bolezni. Zmožnost avtomatizacije tega procesa s tehnikami strojnega učenja (ML) omogoča zdravstvenim delavcem hitrejše diagnosticiranje nekaterih vrst raka, koronarnih bolezni in oftalmoloških stanj. Vendar pa je eden ključnih izzivov, s katerimi se soočajo zdravniki in raziskovalci na tem področju, dolgotrajna in zapletena narava gradnje modelov ML za klasifikacijo slik. Tradicionalne metode zahtevajo strokovno znanje kodiranja in obsežno poznavanje algoritmov ML, kar je lahko ovira za mnoge zdravstvene delavce.
Da bi odpravili to vrzel, smo uporabili Amazon SageMaker Canvas, vizualno orodje, ki zdravnikom omogoča izdelavo in uvajanje modelov ML brez kodiranja ali posebnega znanja. Ta uporabniku prijazen pristop odpravlja strmo krivuljo učenja, povezano z ML, kar klinikom omogoča, da se osredotočijo na svoje paciente.
Amazon SageMaker Canvas ponuja vmesnik povleci in spusti za ustvarjanje modelov ML. Zdravniki lahko izberejo podatke, ki jih želijo uporabiti, določijo želeni rezultat in nato opazujejo, kako samodejno gradi in uri model. Ko je model usposobljen, ustvari natančne napovedi.
Ta pristop je idealen za zdravnike, ki želijo uporabiti ML za izboljšanje svoje diagnoze in odločitev o zdravljenju. Z Amazon SageMaker Canvas lahko uporabijo moč ML za pomoč svojim pacientom, ne da bi morali biti strokovnjak za ML.
Klasifikacija medicinskih slik neposredno vpliva na rezultate bolnikov in učinkovitost zdravstvenega varstva. Pravočasno in natančno razvrščanje medicinskih slik omogoča zgodnje odkrivanje bolezni, kar pomaga pri učinkovitem načrtovanju in spremljanju zdravljenja. Poleg tega demokratizacija ML prek dostopnih vmesnikov, kot je Amazon SageMaker Canvas, omogoča širšemu krogu zdravstvenih delavcev, vključno s tistimi brez obsežnega tehničnega znanja, da prispevajo na področju analize medicinskih slik. Ta vključujoč pristop spodbuja sodelovanje in izmenjavo znanja ter na koncu vodi do napredka v raziskavah na področju zdravstvenega varstva in izboljšane oskrbe bolnikov.
V tej objavi bomo raziskali zmožnosti Amazon SageMaker Canvas pri razvrščanju medicinskih slik, razpravljali o njegovih prednostih in poudarili primere uporabe v resničnem svetu, ki dokazujejo njegov vpliv na medicinsko diagnostiko.
Uporaba primera
Kožni rak je resna in potencialno smrtonosna bolezen in prej ko je odkrit, večja je možnost za uspešno zdravljenje. Statistično gledano je kožni rak (npr. bazalnocelični in ploščatocelični karcinom) ena najpogostejših vrst raka in povzroči na stotine tisoč smrti po vsem svetu vsako leto. Kaže se z nenormalno rastjo kožnih celic.
Toda zgodnja diagnoza drastično poveča možnosti za ozdravitev. Poleg tega lahko kirurške, radiografske ali kemoterapevtske terapije postanejo nepotrebne ali zmanjša njihova splošna uporaba, kar pomaga zmanjšati stroške zdravstvenega varstva.
Postopek diagnosticiranja kožnega raka se začne s postopkom, imenovanim dermoskopija [1], ki pregleda splošno obliko, velikost in barvne značilnosti kožnih lezij. Pri domnevnih lezijah se nato opravi nadaljnje vzorčenje in histološki testi za potrditev vrste rakavih celic. Zdravniki uporabljajo več metod za odkrivanje kožnega raka, začenši z vizualnim odkrivanjem. Ameriški center za študij dermatologije je razvil vodnik za možno obliko melanoma, ki se imenuje ABCD (asimetrija, obroba, barva, premer) in jo zdravniki uporabljajo za začetni pregled bolezni. Če se odkrije sum na kožno lezijo, zdravnik vzame biopsijo vidne lezije na koži in jo mikroskopsko pregleda za benigno ali maligno diagnozo ter vrsto kožnega raka. Modeli računalniškega vida imajo lahko dragoceno vlogo pri prepoznavanju sumljivih madežev ali lezij, kar omogoča zgodnejšo in natančnejšo diagnozo.
Ustvarjanje modela za odkrivanje raka je postopek v več korakih, kot je opisano spodaj:
- Zberite velik nabor slik zdrave kože in kože z različnimi vrstami rakavih ali predrakavih lezij. Ta nabor podatkov mora biti skrbno kuriran, da se zagotovi točnost in doslednost.
- Uporabite tehnike računalniškega vida za predhodno obdelavo slik in izvlečke, pomembne za razlikovanje med zdravo in rakavo kožo.
- Urite model ML na predhodno obdelanih slikah z uporabo pristopa nadzorovanega učenja, da naučite model razlikovati med različnimi tipi kože.
- Ocenite delovanje modela z različnimi metrikami, kot sta natančnost in priklic, da zagotovite, da natančno prepozna rakavo kožo in zmanjša lažne pozitivne rezultate.
- Integrirajte model v uporabniku prijazno orodje, ki bi ga lahko uporabljali dermatologi in drugi zdravstveni delavci za pomoč pri odkrivanju in diagnosticiranju kožnega raka.
Na splošno proces razvoja modela za odkrivanje kožnega raka iz nič običajno zahteva znatna sredstva in strokovno znanje. Tukaj lahko Amazon SageMaker Canvas pomaga poenostaviti čas in trud za korake 2–5.
Pregled rešitev
Za prikaz ustvarjanja modela računalniškega vida kožnega raka brez pisanja kakršne koli kode uporabljamo nabor podatkov o dermatoskopiji kožnega raka, ki ga je objavil Harvard Dataverse. Uporabljamo nabor podatkov, ki ga najdete na HAM10000 in je sestavljen iz 10,015 dermatoskopskih slik za izdelavo modela klasifikacije kožnega raka, ki napoveduje razrede kožnega raka. Nekaj ključnih točk o naboru podatkov:
- Nabor podatkov služi kot nabor za usposabljanje za namene akademskega strojnega jezika.
- Vključuje reprezentativno zbirko vseh pomembnih diagnostičnih kategorij na področju pigmentiranih lezij.
- Nekaj kategorij v naboru podatkov je: aktinične keratoze in intraepitelijski karcinom / Bowenova bolezen (akiec), bazalnocelični karcinom (bcc), benigne keratoze podobne lezije (sončne lentigine / seboroične keratoze in lichen-planus podobne keratoze, bkl), dermatofibrom ( df), melanom (mel), melanocitni nevusi (nv) in vaskularne lezije (angiomi, angiokeratomi, piogeni granulomi in krvavitve, vasc)
- Več kot 50 % lezij v naboru podatkov je potrjenih s histopatologijo (histo).
- Osnovna resnica za preostale primere se ugotovi z nadaljnjim pregledom (
follow_up
), strokovno soglasje (konsenz) ali potrditev s strani vivo konfokalna mikroskopija (konfokalna). - Nabor podatkov vključuje lezije z več slikami, ki jim je mogoče slediti z uporabo
lesion_id
stolpec znotrajHAM10000_metadata
Datoteka.
Predstavljamo, kako poenostaviti razvrščanje slik za več kategorij kožnega raka brez pisanja kode z uporabo Amazon SageMaker Canvas. Glede na sliko kožne lezije klasifikacija slik SageMaker Canvas samodejno razvrsti sliko v benigno ali možno rakavo.
Predpogoji
- Dostop do an AWS račun z dovoljenji za ustvarjanje virov, opisanih v razdelku s koraki.
- Upravljanje identitete in dostopa AWS (AWS IAM). s polnimi dovoljenji za uporabo Amazon SageMaker.
Walkthrough
- Nastavite domeno SageMaker
- Nastavite nize podatkov
- Ustvarite Amazon Simple Storage Service (Amazon S3) vedro z edinstvenim imenom, ki je
image-classification-<ACCOUNT_ID>
kjer je ACCOUNT_ID vaša edinstvena številka računa AWS. - V tem vedru ustvarite dve mapi:
training-data
intest-data
. - Pod podatki o usposabljanju ustvarite sedem map za vsako kategorijo kožnega raka, opredeljeno v naboru podatkov:
akiec
,bcc
,bkl
,df
,mel
,nv
invasc
. - Nabor podatkov vključuje lezije z več slikami, ki jim je mogoče slediti
lesion_id-column
znotrajHAM10000_metadata
mapa. Uporabljatilesion_id-column
, kopirajte ustrezne slike v desno mapo (tj. lahko začnete s 100 slikami za vsako klasifikacijo).
- Ustvarite Amazon Simple Storage Service (Amazon S3) vedro z edinstvenim imenom, ki je
- Uporabite Amazon SageMaker Canvas
- Pojdi na Amazon SageMaker storitev v konzoli in izberite Canvas s seznama. Ko ste na strani Canvas, izberite Odprite Canvas gumb.
- Ko ste na strani Canvas, izberite Moji modeli in nato izberite Nov model na desni strani zaslona.
- Odpre se novo pojavno okno, kjer poimenujemo image_classify kot ime modela in izberite Analiza slike pod Vrsta težave.
- Uvozite nabor podatkov
- Na naslednji strani izberite Ustvari nabor podatkov in v pojavnem oknu poimenujte nabor podatkov kot image_classify In izberite ustvarjanje gumb.
- Na naslednji strani spremenite Vir podatkov do Amazon S3. Slike lahko tudi neposredno naložite (tj. Lokalno nalaganje).
- Ko izberete Amazon S3, boste prejeli seznam veder v vašem računu. Izberite nadrejeno vedro, ki vsebuje nabor podatkov v podmapi (npr. image-classify-2023 in izberite Uvozi podatke gumb. To omogoča Amazon SageMaker Canvas, da hitro označi slike na podlagi imen map.
- Ko je nabor podatkov uspešno uvožen, se bo vrednost v stolpcu Status spremenila v Želite iz Obravnavano.
- Zdaj izberite svoj nabor podatkov z izbiro Izberite nabor podatkov na dnu vaše strani.
- Zgradite svoj model
- o Zgradite strani, bi morali videti svoje podatke uvožene in označene glede na ime mape v Amazon S3.
- Izberite Hitra izdelava (tj. rdeče označeno vsebino na naslednji sliki) in videli boste dve možnosti za izdelavo modela. Prvi je Hitra izdelava in drugi je Standardna izdelava. Kot že ime pove, možnost hitre izdelave zagotavlja hitrost pred natančnostjo, izdelava modela pa traja približno 15 do 30 minut. Standardna izdelava daje prednost natančnosti pred hitrostjo, izdelava modela pa traja od 45 minut do 4 ur. Standardna izdelava izvaja poskuse z uporabo različnih kombinacij hiperparametrov in generira številne modele v zaledju (z uporabo funkcije avtopilota SageMaker) in nato izbere najboljši model.
- Izberite Standardna izdelava da začnete graditi model. Za dokončanje traja približno 2–5 ur.
- Ko je sestava modela končana, lahko vidite ocenjeno natančnost, kot je prikazano na sliki 11.
- Če izberete Točkovanje zavihek, vam mora ponuditi vpogled v točnost modela. Prav tako lahko izberemo Napredne meritve gumb na Točkovanje zavihek za ogled natančnosti, odpoklica in rezultata F1 (uravnoteženo merilo natančnosti, ki upošteva ravnovesje razreda).
- Napredne meritve, ki vam jih prikaže Amazon SageMaker Canvas, so odvisne od tega, ali vaš model izvaja številčne, kategorične, slikovne, besedilne ali časovne napovedi napovedovanja vaših podatkov. V tem primeru verjamemo, da je priklic pomembnejši od natančnosti, ker je zgrešeno odkrivanje raka veliko bolj nevarno kot pravilno odkrivanje. Kategorična napoved, kot je 2-kategorijska napoved ali 3-kategorijska napoved, se nanaša na matematični koncept klasifikacije. The napredna metrika odpoklic je delež resnično pozitivnih (TP) od vseh dejanskih pozitivnih (TP + lažno negativnih). Meri delež pozitivnih primerov, ki jih je model pravilno predvidel kot pozitivne. Prosim, glejte to Poglobljen potop v napredne meritve Amazon SageMaker Canvas za globok potop v napredne meritve.
S tem je zaključen korak ustvarjanja modela v Amazon SageMaker Canvas.
- Preizkusite svoj model
- Zdaj lahko izberete Predvidite gumb, ki vas pripelje do Predvidite stran, kamor lahko naložite svoje slike Enotna napoved or Paketna napoved. Nastavite želeno možnost in izberite uvoz da naložite svojo sliko in preizkusite model.
- Začnimo s predvidevanjem ene same slike. Prepričajte se, da ste na Ena napoved In izberite Uvozi sliko. To vas pripelje do pogovornega okna, kjer lahko izberete nalaganje svoje slike Amazon S3, ali naredite a Lokalno nalaganje. V našem primeru izberemo Amazon S3 in pobrskajte po našem imeniku, kjer imamo testne slike, in izberite katero koli sliko. Nato izberite Uvozi podatke.
- Ko izberete, bi morali videti na zaslonu sporočilo Ustvarjanje rezultatov napovedi. Rezultate bi morali imeti v nekaj minutah, kot je prikazano spodaj.
- Zdaj pa poskusimo serijsko napoved. Izberite Paketna napoved pod Zaženi napovedi In izberite Uvozite nov nabor podatkov gumb in ga poimenujte BatchPrediction in hit ustvarjanje gumb.
- V naslednjem oknu se prepričajte, da ste izbrali nalaganje Amazon S3 in pobrskajte do imenika, kjer imamo naš preskusni niz, in izberite Uvozi podatke gumb.
- Ko so slike noter Želite status, izberite izbirni gumb za ustvarjeni nabor podatkov in izberite Ustvari napovedi. Zdaj bi morali videti status paketne napovedi batch to Ustvarjanje napovedi. Počakajmo nekaj minut na rezultate.
- Ko je stanje v Želite države, izberite ime nabora podatkov, ki vas popelje na stran s podrobno napovedjo na vseh naših slikah.
- Druga pomembna značilnost paketnega predvidevanja je možnost preverjanja rezultatov in tudi možnost prenosa napovedi v datoteki zip ali csv za nadaljnjo uporabo ali skupno rabo.
S tem ste lahko uspešno ustvarili model, ga usposobili in preizkusili njegovo napoved z Amazon SageMaker Canvas.
Čiščenje
Izberite Odjava v levem podoknu za krmarjenje, da se odjavite iz aplikacije Amazon SageMaker Canvas in ustavite porabo Ure primerka delovnega prostora SageMaker Canvas in sprostite vse vire.
Navedba
[1]Fraiwan M, Faouri E. O samodejnem odkrivanju in razvrščanju kožnega raka z uporabo globokega prenosa učenja. Senzorji (Basel). 2022. junij 30;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
zaključek
V tej objavi smo vam pokazali, kako lahko analiza medicinske slike z uporabo tehnik ML pospeši diagnozo kožnega raka in njeno uporabnost pri diagnosticiranju drugih bolezni. Vendar je gradnja modelov ML za klasifikacijo slik pogosto zapletena in dolgotrajna ter zahteva strokovno znanje o kodiranju in znanje ML. Amazon SageMaker Canvas se je lotil tega izziva z zagotavljanjem vizualnega vmesnika, ki odpravlja potrebo po kodiranju ali specializiranih spretnostih ML. To zdravstvenim delavcem omogoča uporabo ML brez strme krivulje učenja, kar jim omogoča, da se osredotočijo na oskrbo bolnikov.
Tradicionalni proces razvoja modela za odkrivanje raka je okoren in dolgotrajen. Vključuje zbiranje izbranega nabora podatkov, predhodno obdelavo slik, usposabljanje modela ML, oceno njegove učinkovitosti in njegovo integracijo v uporabniku prijazno orodje za zdravstvene delavce. Amazon SageMaker Canvas je poenostavil korake od predprocesiranja do integracije, kar je zmanjšalo čas in trud, potreben za izdelavo modela za odkrivanje kožnega raka.
V tej objavi smo se poglobili v močne zmožnosti Amazon SageMaker Canvas pri razvrščanju medicinskih slik, osvetlili njegove prednosti in predstavili primere uporabe v resničnem svetu, ki prikazujejo njegov velik vpliv na medicinsko diagnostiko. Eden takih prepričljivih primerov uporabe, ki smo ga raziskali, je bilo odkrivanje kožnega raka in kako zgodnja diagnoza pogosto znatno izboljša rezultate zdravljenja in zmanjša stroške zdravstvenega varstva.
Pomembno je priznati, da se lahko natančnost modela razlikuje glede na dejavnike, kot sta velikost nabora podatkov o usposabljanju in posebna vrsta uporabljenega modela. Te spremenljivke igrajo vlogo pri določanju uspešnosti in zanesljivosti rezultatov klasifikacije.
Amazon SageMaker Canvas lahko služi kot neprecenljivo orodje, ki zdravstvenim delavcem pomaga pri diagnosticiranju bolezni z večjo natančnostjo in učinkovitostjo. Vendar pa je pomembno vedeti, da ni namenjeno nadomestitvi strokovnega znanja in presoje zdravstvenih delavcev. Namesto tega jih opolnomoči s povečanjem njihovih zmožnosti in omogočanjem natančnejših in hitrejših diagnoz. Človeški element ostaja bistvenega pomena v procesu odločanja in sodelovanje med zdravstvenimi delavci in orodji umetne inteligence (AI), vključno z Amazon SageMaker Canvas, je ključnega pomena pri zagotavljanju optimalne oskrbe bolnikov.
O avtorjih
Ramakant Joshi je arhitekt rešitev AWS, specializiran za analitiko in brezstrežniško domeno. Ima izkušnje z razvojem programske opreme in hibridnimi arhitekturami ter strastno pomaga strankam pri posodobitvi njihove arhitekture v oblaku.
Jake Wen je arhitekt rešitev pri AWS, ki ga vodi strast do strojnega učenja, obdelave naravnega jezika in globokega učenja. Podjetniškim strankam pomaga pri doseganju posodobitve in razširljive uvedbe v oblaku. Poleg sveta tehnologije Jake najde veselje v rolkanju, pohodništvu in pilotiranju zračnih brezpilotnih letal.
Sonu Kumar Singh je arhitekt rešitev AWS s specializacijo na področju analitike. Imel je ključno vlogo pri pospeševanju transformativnih premikov v organizacijah, tako da je omogočil sprejemanje odločitev, ki temeljijo na podatkih, s čimer je spodbudil inovacije in rast. Uživa, ko ima nekaj, kar je zasnoval ali ustvaril, pozitiven učinek. Pri AWS je njegov namen pomagati strankam pridobiti vrednost iz več kot 200 storitev v oblaku AWS in jih opolnomočiti na njihovem potovanju v oblak.
Dariush Azimi je arhitekt rešitev pri AWS, specializiran za strojno učenje, obdelavo naravnega jezika (NLP) in arhitekturo mikrostoritev s Kubernetesom. Njegovo poslanstvo je opolnomočiti organizacije, da izkoristijo polni potencial svojih podatkov s celovitimi rešitvami od konca do konca, ki vključujejo shranjevanje podatkov, dostopnost, analizo in zmogljivosti predvidevanja.
- 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/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :ima
- : je
- :kje
- $GOR
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- sposobnost
- Sposobna
- O meni
- akademsko
- dostop
- dostopnost
- dostopen
- Račun
- natančnost
- natančna
- natančno
- doseganju
- potrditi
- dejanska
- Naslov
- naslovljena
- napredovanje
- napredno
- napredek
- AI
- Pomoč
- AIR
- algoritmi
- vsi
- Dovoli
- omogoča
- Prav tako
- Amazon
- Amazon SageMaker
- Amazon SageMaker Canvas
- Amazon Web Services
- Ameriška
- an
- Analiza
- analitika
- in
- kaj
- uporaba
- pristop
- Arhitektura
- SE
- okoli
- umetni
- Umetna inteligenca
- Umetna inteligenca (AI)
- AS
- pomaga
- povezan
- At
- avtomatizirati
- Samodejno
- samodejno
- AWS
- Backend
- ozadje
- ozadja
- Ravnovesje
- ovira
- temeljijo
- Basel
- BE
- ker
- bilo
- Verjemite
- spodaj
- Prednosti
- BEST
- Boljše
- med
- Poleg
- meja
- Bottom
- Pasovi
- Prinaša
- širši
- izgradnjo
- Building
- Gradi
- Gumb
- by
- se imenuje
- CAN
- rak
- platno
- Zmogljivosti
- ki
- previdno
- primeru
- primeri
- kataliziranje
- kategorije
- Celice
- center
- nekatere
- izziv
- izzivi
- priložnost
- kvote
- spremenite
- lastnosti
- izbira
- Izberite
- izbiri
- razred
- razredi
- Razvrstitev
- kliniki
- Cloud
- storitev v oblaku
- Koda
- Kodiranje
- sodelovanje
- zbirka
- barva
- Stolpec
- kombinacije
- Skupno
- prepričljiv
- dokončanje
- Zaključi
- kompleksna
- celovito
- računalnik
- Računalniška vizija
- Koncept
- Pogoji
- Potrditev
- POTRJENO
- Soglasje
- vsebuje
- Konzole
- poraba
- vsebina
- prispevajo
- popravi
- Ustrezno
- stroški
- bi
- ustvarjajo
- ustvaril
- Ustvarjanje
- Oblikovanje
- ključnega pomena
- okoren
- kurirano
- krivulja
- Stranke, ki so
- Nevarno
- datum
- shranjevanje podatkov
- Podatkov usmerjenih
- dataverse
- smrti
- Odločanje
- odločitve
- globoko
- globok potop
- globoko učenje
- Očarala
- demokratizacija
- izkazati
- Odvisno
- razporedi
- uvajanje
- opisano
- zasnovan
- želeno
- podrobno
- odkrivanje
- Zaznali
- Odkrivanje
- določi
- določanje
- razvili
- razvoju
- Razvoj
- Dialog
- drugačen
- razlikovati
- neposredno
- razpravlja
- bolezen
- bolezni
- razlikovati
- potop
- do
- Zdravnik
- Zdravniki
- tem
- domena
- prenesi
- drastično
- vozi
- Brezpilotna letala
- e
- vsak
- prej
- Zgodnje
- Učinkovito
- učinkovitosti
- prizadevanje
- element
- odpravlja
- zaposleni
- opolnomočiti
- pooblašča
- omogoča
- omogočanje
- obsežno
- konec koncev
- Izboljša
- zagotovitev
- Podjetje
- bistvena
- ocenjeni
- oceniti
- Pregleduje
- pospešiti
- Poskusi
- strokovnjak
- strokovno znanje
- raziskuje
- Raziskano
- obsežen
- ekstrakt
- f1
- soočen
- dejavniki
- false
- daleč
- Feature
- Nekaj
- Polje
- Slika
- file
- najdbe
- prva
- Osredotočite
- po
- za
- pospešuje
- je pokazala,
- ulomek
- iz
- polno
- funkcionalnost
- nadalje
- vrzel
- zbiranje
- splošno
- ustvarjajo
- ustvarja
- dobili
- dana
- več
- Igrišče
- Rast
- vodi
- plezalni pas
- harvard
- Imajo
- he
- zdravstveno varstvo
- zdravo
- pomoč
- pomoč
- Označite
- njegov
- hit
- drži
- URE
- Kako
- Kako
- Vendar
- HTML
- HTTPS
- človeškega
- Človeški element
- Stotine
- Hybrid
- i
- idealen
- identificirati
- identificira
- identificirati
- identiteta
- if
- slika
- Razvrstitev slik
- slike
- vpliv
- Vplivi
- uvoz
- Pomembno
- izboljšanje
- izboljšalo
- in
- vključuje
- Vključno
- Vključno
- Poveča
- začetna
- Inovacije
- vpogledi
- primer
- instrumental
- integrirati
- integracija
- Intelligence
- namenjen
- Namen
- vmesnik
- vmesniki
- v
- neprecenljivo
- IT
- ITS
- sam
- Potovanje
- jpg
- Ključne
- znanje
- Kumar
- label
- označevanje
- jezik
- velika
- Interesenti
- učenje
- levo
- light
- kot
- Seznam
- seznam
- prijavi
- stroj
- strojno učenje
- Znamka
- upravljanje
- več
- matematični
- Maj ..
- merjenje
- ukrepe
- medicinski
- Metode
- Meritve
- Mikroskopija
- mikro storitve
- zmanjša
- Minute
- manjka
- Mission
- ML
- Model
- modeli
- posodobiti
- spremljanje
- več
- Poleg tega
- Najbolj
- več
- Ime
- Imena
- naravna
- Obdelava Natural Language
- Narava
- Krmarjenje
- ostalo
- Nimate
- potrebujejo
- potrebe
- negative
- Novo
- Naslednja
- NIH
- nlp
- zdaj
- NV
- predmeti
- of
- pogosto
- on
- enkrat
- ONE
- Odpre
- optimalna
- Možnost
- možnosti
- or
- organizacije
- Ostalo
- naši
- ven
- rezultatov
- opisano
- izhod
- več
- Splošni
- lastne
- Stran
- podokno
- strast
- strastno
- Bolnik
- bolniki
- za
- performance
- opravlja
- Dovoljenja
- Izbiramo
- pilotiranje
- ključno
- načrtovanje
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Predvajaj
- igra
- prosim
- točke
- pop-up
- pozitiven
- mogoče
- Prispevek
- potencial
- potencialno
- moč
- močan
- natančna
- Precision
- napovedano
- napoved
- Napovedi
- Napovedi
- predstaviti
- daje prednost
- postopek
- Postopek
- obravnavati
- strokovnjaki
- globok
- Delež
- zagotavljajo
- zagotavlja
- zagotavljanje
- objavljeno
- namene
- Hitri
- hitro
- radio
- območje
- precej
- resnični svet
- kraljestvo
- okrevanje
- zmanjša
- Zmanjšana
- zmanjšuje
- glejte
- nanaša
- sprostitev
- pomembno
- zanesljivost
- ostanki
- zamenjajte
- predstavnik
- zahteva
- obvezna
- zahteva
- Raziskave
- raziskovalci
- viri
- REST
- Rezultati
- Pravica
- vloga
- deluje
- sagemaker
- pravi
- razširljive
- rezultat
- praska
- Zaslon
- pregled
- drugi
- Oddelek
- glej
- izbran
- senzorji
- Serija
- resno
- služijo
- Brez strežnika
- služi
- Storitev
- Storitve
- nastavite
- sedem
- Oblikujte
- delitev
- Izmene
- shouldnt
- predstavitev
- je pokazala,
- pokazale
- Razstave
- pomemben
- bistveno
- Enostavno
- poenostavljeno
- poenostavitev
- sam
- Velikosti
- spretnosti
- Skin
- Software
- Razvoj programske opreme
- sončna
- Rešitev
- rešitve
- Nekaj
- specializirani
- specializacijo
- specifična
- hitrost
- standardna
- Začetek
- Začetek
- začne
- Država
- Status
- Korak
- Koraki
- stop
- shranjevanje
- študija
- uspešno
- Uspešno
- taka
- predlagajte
- Preverite
- kirurški
- sumljiv
- meni
- ob
- tech
- tehnični
- tehnike
- Test
- testi
- besedilo
- kot
- da
- O
- njihove
- Njih
- POTEM
- Tukaj.
- s tem
- te
- jih
- ta
- tisti,
- tisoče
- skozi
- čas
- Časovne serije
- zamudno
- pravočasno
- do
- orodje
- orodja
- tp
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- vlaki
- prenos
- transformativno
- zdravljenje
- Zdravljenje
- Res
- Resnica
- poskusite
- dva
- tip
- Vrste
- tipično
- Konec koncev
- pod
- opravi
- edinstven
- nepotrebna
- Uporaba
- uporaba
- primeru uporabe
- Rabljeni
- Uporabniku prijazen
- uporabo
- dragocene
- vrednost
- raznolikost
- različnih
- preverjanje
- Poglej
- vidna
- Vizija
- ključnega pomena
- Počakaj
- želeli
- je
- Watch
- we
- web
- spletne storitve
- so bili
- kdaj
- ali
- ki
- WHO
- okno
- z
- v
- brez
- Delavnice
- svet
- pisanje
- leto
- Vi
- Vaša rutina za
- zefirnet
- Zip