Det här är ett gästblogginlägg skrivet av Nitin Kumar, en ledande dataforskare på T and T Consulting Services, Inc.
I det här inlägget diskuterar vi värdet och den potentiella effekten av federerat lärande inom hälsovårdsområdet. Detta tillvägagångssätt kan hjälpa hjärtslagspatienter, läkare och forskare med snabbare diagnos, berikat beslutsfattande och mer informerat, inkluderande forskningsarbete om strokerelaterade hälsofrågor, med hjälp av ett molnbaserat tillvägagångssätt med AWS-tjänster för lättviktslyft och enkel användning .
Diagnosutmaningar med hjärtslag
Statistik från Centers for Disease Control and Prevention (CDC) visar att varje år i USA drabbas mer än 795,000 25 människor av sin första stroke, och cirka XNUMX % av dem upplever återkommande attacker. Det är dödsorsaken nummer fem enligt American Stroke Association och en ledande orsak till funktionshinder i USA. Därför är det avgörande att ha snabb diagnos och behandling för att minska hjärnskador och andra komplikationer hos patienter med akut stroke.
CT och MRI är guldstandarden inom bildteknik för att klassificera olika undertyper av stroke och är avgörande vid preliminär bedömning av patienter, fastställande av grundorsaken och behandling. En kritisk utmaning här, särskilt vid akut stroke, är tiden för bilddiagnostik, som i genomsnitt sträcker sig från 30 minuter upp till en timme och kan vara mycket längre beroende på trängsel på akutmottagningen.
Läkare och medicinsk personal behöver snabb och exakt bilddiagnos för att utvärdera en patients tillstånd och föreslå behandlingsalternativ. Med Dr Werner Vogels egna ord kl AWS re: Uppfinna 2023, "varje sekund som en person har en stroke räknas." Strokeoffer kan förlora cirka 1.9 miljarder neuroner varje sekund de inte behandlas.
Medicinska datarestriktioner
Du kan använda maskininlärning (ML) för att hjälpa läkare och forskare i diagnosuppgifter och därigenom påskynda processen. Men de datauppsättningar som behövs för att bygga ML-modellerna och ge tillförlitliga resultat sitter i silos över olika vårdsystem och organisationer. Denna isolerade äldre data har potential för massiv inverkan om den kumuleras. Så varför har den inte använts ännu?
Det finns flera utmaningar när man arbetar med medicinska domändatauppsättningar och bygger ML-lösningar, inklusive patientintegritet, säkerhet för personuppgifter och vissa byråkratiska och policybegränsningar. Dessutom har forskningsinstitutioner skärpt sina metoder för datadelning. Dessa hinder hindrar också internationella forskarlag från att arbeta tillsammans på olika och rika datamängder, som bland annat kan rädda liv och förhindra funktionsnedsättningar som kan bero på hjärtslag.
Policyer och förordningar som Allmän uppgiftsskyddsförordning (GDPR), Sjukförsäkringsportabilitet och ansvarsskyldighet (HIPPA), och California Consumer Privacy Act (CCPA) sätter skyddsräcken för att dela data från den medicinska domänen, särskilt patientdata. Dessutom är datauppsättningarna vid enskilda institut, organisationer och sjukhus ofta för små, är obalanserade eller har en partisk distribution, vilket leder till modellgeneraliseringsbegränsningar.
Federerat lärande: En introduktion
Federated learning (FL) är en decentraliserad form av ML – ett dynamiskt tekniskt tillvägagångssätt. I denna decentraliserade ML-metod delas ML-modellen mellan organisationer för utbildning i proprietära datamängder, till skillnad från traditionell centraliserad ML-utbildning, där modellen i allmänhet tränar på aggregerade datamängder. Datan förblir skyddad bakom organisationens brandväggar eller VPC, medan modellen med dess metadata delas.
I utbildningsfasen sprids och synkroniseras en global FL-modell mellan enhetsorganisationer för utbildning på individuella datamängder och en lokal utbildad modell returneras. Den slutliga globala modellen är tillgänglig att använda för att göra förutsägelser för alla bland deltagarna, och kan också användas som bas för vidareutbildning för att bygga lokala anpassade modeller för deltagande organisationer. Den kan ytterligare utvidgas till att gynna andra institut. Detta tillvägagångssätt kan avsevärt minska cybersäkerhetskraven för data under överföring genom att ta bort behovet av att data överhuvudtaget överförs utanför organisationens gränser.
Följande diagram illustrerar ett exempel på arkitektur.
I följande avsnitt diskuterar vi hur federerat lärande kan hjälpa.
Federationen lär sig att rädda dagen (och rädda liv)
För bra artificiell intelligens (AI) behöver du bra data.
Äldre system, som ofta finns i den federala domänen, utgör betydande databearbetningsutmaningar innan du kan härleda någon intelligens eller slå samman dem med nyare datauppsättningar. Detta är ett hinder för att tillhandahålla värdefull intelligens till ledare. Det kan leda till felaktigt beslutsfattande eftersom andelen äldre data ibland är mycket mer värdefull jämfört med den nyare lilla datamängden. Du vill lösa denna flaskhals effektivt och utan arbetsbelastning av manuell konsolidering och integrationsinsatser (inklusive krångliga kartläggningsprocesser) för äldre och nyare datauppsättningar som sitter på sjukhus och institut, vilket kan ta många månader – om inte år, i många fall. Den äldre data är ganska värdefull eftersom den innehåller viktig kontextuell information som behövs för korrekt beslutsfattande och välinformerad modellträning, vilket leder till pålitlig AI i den verkliga världen. Datas varaktighet informerar om långsiktiga variationer och mönster i datasetet som annars skulle förbli oupptäckt och leda till partiska och dåligt informerade förutsägelser.
Att bryta ner dessa datasilos för att förena den outnyttjade potentialen hos den spridda datan kan rädda och förändra många liv. Det kan också påskynda forskningen relaterad till sekundära hälsoproblem som härrör från hjärtslag. Den här lösningen kan hjälpa dig att dela insikter från data som isolerats mellan institut på grund av policy och andra skäl, oavsett om du är ett sjukhus, ett forskningsinstitut eller andra hälsodatafokuserade organisationer. Det kan möjliggöra informerade beslut om forskningsinriktning och diagnos. Dessutom resulterar det i ett centraliserat förråd av intelligens via en säker, privat och global kunskapsbas.
Federerat lärande har många fördelar i allmänhet och specifikt för medicinska datainställningar.
Säkerhets- och sekretessfunktioner:
- Håller känslig data borta från internet och använder den fortfarande för ML, och utnyttjar sin intelligens med differentiell integritet
- Gör det möjligt för dig att bygga, träna och distribuera opartiska och robusta modeller över inte bara maskiner utan även nätverk, utan några datasäkerhetsrisker
- Övervinner hindren med flera leverantörer som hanterar data
- Eliminerar behovet av datadelning över platsen och global styrning
- Bevarar integritet med differentierad integritet och erbjuder säker flerpartsberäkning med lokal utbildning
Prestanda förbättringar:
- Åtgärdar problemet med liten provstorlek i det medicinska avbildningsutrymmet och kostsamma märkningsprocesser
- Balanserar fördelningen av data
- Gör att du kan införliva de flesta traditionella ML- och djupinlärningsmetoder (DL).
- Använder poolade bilduppsättningar för att förbättra den statistiska kraften och övervinna begränsningen av urvalsstorleken för enskilda institutioner
Fördelar med motståndskraft:
- Om någon part bestämmer sig för att lämna kommer det inte att hindra träningen
- Ett nytt sjukhus eller institut kan ansluta sig när som helst; den är inte beroende av någon specifik datauppsättning med någon nodorganisation
- Det finns inget behov av omfattande datateknikpipelines för äldre data spridda över utbredda geografiska platser
Dessa funktioner kan hjälpa till att få ner väggarna mellan institutioner som är värd för isolerade datauppsättningar på liknande domäner. Lösningen kan bli en kraftmultiplikator genom att utnyttja de förenade krafterna hos distribuerade datauppsättningar och förbättra effektiviteten genom att radikalt förändra skalbarhetsaspekten utan den tunga infrastrukturlyften. Detta tillvägagångssätt hjälper ML att nå sin fulla potential, bli skicklig på klinisk nivå och inte bara forskning.
Federated learning har jämförbar prestanda som vanlig ML, som visas i följande experimentera av NVidia Clara (på Medical Modal ARchive (MMAR) med hjälp av BRATS2018 dataset). Här uppnådde FL en jämförbar segmenteringsprestanda jämfört med träning med centraliserade data: över 80 % med cirka 600 epoker samtidigt som man tränade en multimodal, multi-klass hjärntumörsegmenteringsuppgift.
Federerat lärande har nyligen testats inom några medicinska underområden för användningsfall inklusive inlärning av patientlikhet, inlärning av patientrepresentation, fenotypning och prediktiv modellering.
Applikationsritning: Federerat lärande gör det möjligt och enkelt
För att komma igång med FL kan du välja bland många högkvalitativa datamängder. Datauppsättningar med hjärnbilder inkluderar till exempel VISTAS (Autism Brain Imaging Data Exchange-initiativet), ADNI (Alzheimers sjukdom Neuroimaging Initiative), RSNA (Radiological Society of North America) Brain CT, BraTS (Multimodal Brain Tumor Image Segmentation Benchmark) uppdateras regelbundet för Brain Tumor Segmentation Challenge under UPenn (University of Pennsylvania), UK BioBank (omfattas i följande NIH papper), Och IXI. På samma sätt för hjärtbilder kan du välja mellan flera allmänt tillgängliga alternativ, inklusive ACDC (Automatic Cardiac Diagnosis Challenge), som är en bedömningsdataset för hjärt-MR med fullständig anteckning som nämns av National Library of Medicine i följande papper, och M&M (Multi-Center, Multi-Vendor och Multi-Disease) Cardiac Segmentation Challenge som nämns i följande IEEE papper.
Följande bilder visar en probabilistisk lesionsöverlappningskarta för de primära lesionerna från ATLAS R1.1-datauppsättningen. (Stroke är en av de vanligaste orsakerna till hjärnskador enligt Cleveland Clinic.)
För elektroniska hälsojournaler (EHR) data finns några datauppsättningar tillgängliga som följer Snabba resurser för hälsovårdssamarbete (FHIR) standard. Den här standarden hjälper dig att bygga enkla pilotprojekt genom att ta bort vissa utmaningar med heterogena, icke-normaliserade datauppsättningar, vilket möjliggör sömlöst och säkert utbyte, delning och integration av datauppsättningar. FHIR möjliggör maximal interoperabilitet. Exempel på datauppsättningar inkluderar MIMIC-IV (Medicinsk information Mart för intensivvård). Andra datauppsättningar av god kvalitet som för närvarande inte är FHIR men som enkelt kan konverteras inkluderar Centers for Medicare & Medicaid Services (CMS) Public Use Files (PUF) och eICU Collaborative Research Database från MIT (Massachusetts Institute of Technology). Det finns också andra resurser som blir tillgängliga som erbjuder FHIR-baserade datauppsättningar.
Livscykeln för att implementera FL kan innefatta följande steg: uppgiftsinitiering, urval, konfiguration, modellutbildning, klient/serverkommunikation, schemaläggning och optimering, versionshantering, testning, driftsättning och avslutning. Det finns många tidskrävande steg som går till att förbereda medicinska bilddata för traditionell ML, som beskrivs i följande papper. Domänkunskap kan behövas i vissa scenarier för att förbehandla rå patientdata, särskilt på grund av dess känsliga och privata karaktär. Dessa kan konsolideras och ibland elimineras för FL, vilket sparar avgörande tid för träning och ger snabbare resultat.
Genomförande
FL-verktyg och bibliotek har vuxit med brett stöd, vilket gör det enkelt att använda FL utan en tung taklyft. Det finns många bra resurser och ramalternativ tillgängliga för att komma igång. Du kan hänvisa till följande omfattande lista av de mest populära ramverken och verktygen i FL-domänen, inklusive PySyft, FedML, blomma, OpenFL, ÖDE, TensorFlow Federatedoch NVFlare. Det ger en nybörjarlista över projekt att komma igång snabbt och bygga vidare på.
Du kan implementera en molnbaserad strategi med Amazon SageMaker som sömlöst fungerar med AWS VPC-peering, hålla varje nods träning i ett privat subnät i deras respektive VPC och möjliggöra kommunikation via privata IPv4-adresser. Dessutom modellvärd på Amazon SageMaker JumpStart kan hjälpa till genom att exponera endpoint API utan att dela modellvikter.
Det tar också bort potentiella datorutmaningar på hög nivå med lokal hårdvara med Amazon Elastic Compute Cloud (Amazon EC2) resurser. Du kan implementera FL-klienten och servrarna på AWS med SageMaker anteckningsböcker och Amazon enkel lagringstjänst (Amazon S3), upprätthålla reglerad tillgång till data och modell med AWS identitets- och åtkomsthantering (IAM) roller och användning AWS Security Token Service (AWS STS) för säkerhet på klientsidan. Du kan också bygga ditt eget anpassade system för FL med Amazon EC2.
För en detaljerad översikt över implementering av FL med blomma ramverket på SageMaker, och en diskussion om dess skillnad från distribuerad utbildning, se Maskininlärning med decentraliserad träningsdata med hjälp av federerad inlärning på Amazon SageMaker.
Följande figurer illustrerar arkitekturen för transfer learning i FL.
Ta itu med FL-datautmaningar
Federerat lärande kommer med sina egna datautmaningar, inklusive integritet och säkerhet, men de är enkla att ta itu med. Först måste du ta itu med dataheterogenitetsproblemet med medicinsk bilddata som härrör från data som lagras på olika platser och deltagande organisationer, känd som en domänskifte problem (även kallat kundskifte i ett FL-system), vilket framhålls av Guan och Liu i det följande papper. Detta kan leda till en skillnad i konvergens av den globala modellen.
Andra komponenter att överväga inkluderar att säkerställa datakvalitet och enhetlighet vid källan, införliva expertkunskap i inlärningsprocessen för att inspirera till förtroende för systemet bland medicinsk personal och uppnå modellprecision. För mer information om några av de potentiella utmaningar du kan möta under implementeringen, se följande papper.
AWS hjälper dig att lösa dessa utmaningar med funktioner som den flexibla beräkningen av Amazon EC2 och förbyggd Docker-bilder i SageMaker för enkel implementering. Du kan lösa problem på klientsidan som obalanserad data och beräkningsresurser för varje nodorganisation. Du kan ta itu med inlärningsproblem på serversidan som förgiftningsattacker från illvilliga parter med Amazon Virtual Private Cloud (Amazon VPC), säkerhetsgrupper, och andra säkerhetsstandarder, som förhindrar klientkorruption och implementerar AWS-avvikelsedetekteringstjänster.
AWS hjälper också till med att ta itu med verkliga implementeringsutmaningar, som kan inkludera integrationsutmaningar, kompatibilitetsproblem med nuvarande eller äldre sjukhussystem och hinder för användaradoption, genom att erbjuda flexibla, lättanvända och enkla lyfttekniska lösningar.
Med AWS-tjänster kan du möjliggöra storskalig FL-baserad forskning och klinisk implementering och implementering, som kan bestå av olika platser över hela världen.
De senaste riktlinjerna för interoperabilitet belyser behovet av federerat lärande
Många lagar som nyligen antogs av regeringen inkluderar ett fokus på datainteroperabilitet, vilket stärker behovet av interoperabilitet mellan organisationer och data för intelligens. Detta kan uppfyllas genom att använda FL, inklusive ramverk som TEFCA (Trusted Exchange Framework and Common Agreement) och den utökade USCDI (USA:s kärndata för interoperabilitet).
Den föreslagna idén bidrar också till CDC:s initiativ för fångst och distribution CDC går framåt. Följande citat från GovCIO-artikeln Datadelning och AI Top Federal Health Agency Prioriteringar 2024 återspeglar också ett liknande tema: "Dessa funktioner kan också stödja allmänheten på ett rättvist sätt, möta patienter där de är och låsa upp kritisk tillgång till dessa tjänster. Mycket av detta arbete handlar om data.”
Detta kan hjälpa medicinska institut och byråer runt om i landet (och över hela världen) med datasilos. De kan dra nytta av sömlös och säker integration och datakompatibilitet, vilket gör medicinsk data användbar för effektfulla ML-baserade förutsägelser och mönsterigenkänning. Du kan börja med bilder, men tillvägagångssättet är tillämpligt på all EPJ också. Målet är att hitta det bästa tillvägagångssättet för dataintressenter, med en molnbaserad pipeline för att normalisera och standardisera data eller direkt använda den för FL.
Låt oss utforska ett exempel på användningsfall. Hjärtslagsavbildningsdata och skanningar är utspridda runt om i landet och världen, i isolerade silos på institut, universitet och sjukhus, och åtskilda av byråkratiska, geografiska och politiska gränser. Det finns ingen enskild aggregerad källa och inget enkelt sätt för medicinsk personal (icke-programmerare) att extrahera insikter från den. Samtidigt är det inte möjligt att träna ML- och DL-modeller på dessa data, vilket kan hjälpa läkare att fatta snabbare och mer exakta beslut i kritiska tider när hjärtskanningar kan ta timmar att komma in medan patientens liv kan hänga i balans.
Andra kända användningsfall inkluderar POTS (Köpa onlinespårningssystem) på NIH (National Institutes of Health) och cybersäkerhet för spridda och skiktade intelligenslösningsbehov på COMCOMs/MAJCOMs platser runt om i världen.
Slutsats
Federerat lärande har stora löften för äldre hälsodataanalys och intelligens. Det är enkelt att implementera en molnbaserad lösning med AWS-tjänster, och FL är särskilt användbart för medicinska organisationer med äldre data och tekniska utmaningar. FL kan ha en potentiell inverkan på hela behandlingscykeln, och nu ännu mer med fokus på datainteroperabilitet från stora federala organisationer och regeringsledare.
Den här lösningen kan hjälpa dig att undvika att uppfinna hjulet på nytt och använda den senaste tekniken för att ta ett steg från äldre system och ligga i framkant i denna ständigt föränderliga värld av AI. Du kan också bli en ledare för bästa praxis och ett effektivt förhållningssätt till datakompatibilitet inom och mellan myndigheter och institut inom hälsodomänen och utanför. Om du är ett institut eller en byrå med datasilos utspridda runt om i landet kan du dra nytta av denna sömlösa och säkra integration.
Innehållet och åsikterna i det här inlägget är tredje parts författare och AWS ansvarar inte för innehållet eller riktigheten i detta inlägg. Det är varje kunds ansvar att avgöra om de är föremål för HIPAA, och i så fall hur man bäst följer HIPAA och dess tillämpningsföreskrifter. Innan AWS används i samband med skyddad hälsoinformation måste kunderna ange ett AWS Business Associate Addendum (BAA) och följa dess konfigurationskrav.
Om författaren
Nitin Kumar (MS, CMU) är en ledande dataforskare på T and T Consulting Services, Inc. Han har lång erfarenhet av FoU-prototyper, hälsoinformatik, data från den offentliga sektorn och datakompatibilitet. Han tillämpar sin kunskap om banbrytande forskningsmetoder till den federala sektorn för att leverera innovativa tekniska papper, POC och MVP. Han har arbetat med flera federala myndigheter för att främja deras data- och AI-mål. Nitins andra fokusområden inkluderar naturlig språkbehandling (NLP), datapipelines och generativ AI.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- : har
- :är
- :inte
- :var
- $UPP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- Om oss
- accelerera
- tillgång
- Enligt
- ansvar
- noggrannhet
- exakt
- uppnås
- uppnå
- ACM
- tvärs
- Dessutom
- adress
- adresser
- adresse
- Antagande
- avancera
- byråer
- byrå
- aggregerade
- Avtal
- AI
- Alla
- tillåta
- också
- Alzheimers
- amason
- Amazon EC2
- Amazon Web Services
- amerika
- bland
- an
- analytics
- och
- avvikelse av anomali
- vilken som helst
- api
- tillämplig
- applicerar
- tillvägagångssätt
- cirka
- arkitektur
- arkiv
- ÄR
- områden
- uppstår
- runt
- Artikeln
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- AS
- aspekt
- bedömning
- bistå
- Associate
- At
- Attacker
- Författaren
- Autism
- Automat
- tillgänglig
- genomsnitt
- undvika
- bort
- AWS
- Balansera
- bas
- BE
- därför att
- blir
- passande
- varit
- innan
- bakom
- Där vi får lov att vara utan att konstant prestera,
- riktmärke
- fördel
- Fördelarna
- BÄST
- bästa praxis
- mellan
- Bortom
- partisk
- Miljarder
- Blogg
- blueprint
- stärka
- flaskhals
- gränser
- Hjärna
- föra
- SLUTRESULTAT
- Byggnad
- byråkratisk
- företag
- men
- by
- CA
- KAN
- kapacitet
- fånga
- vilken
- Vid
- fall
- Orsak
- Orsakerna
- CCPA
- CDC
- centraliserad
- vissa
- utmanar
- utmaningar
- chef
- Välja
- Clara
- klient
- Klinisk
- cms
- samarbete
- komma
- kommer
- Gemensam
- Kommunikation
- jämförbar
- jämfört
- kompatibilitet
- följa
- komponenter
- beräkning
- Compute
- tillstånd
- förtroende
- konfiguration
- anslutning
- övervägande
- konsolidering
- begränsningar
- rådgivning
- Konsumenten
- konsumentens integritet
- innehåll
- kontextuella
- bidrar
- kontroll
- Konvergens
- konverterad
- Kärna
- Korruption
- kostsam
- kunde
- land
- omfattas
- kritisk
- avgörande
- besvärlig
- Aktuella
- För närvarande
- beställnings
- Kunder
- allra senaste
- Cybersäkerhet
- cykel
- skada
- datum
- Data Analytics
- Datautbyte
- databehandling
- dataskydd
- datavetare
- datasäkerhet
- datadeling
- datauppsättningar
- dag
- Död
- decentraliserad
- Beslutsfattande
- beslut
- djup
- djupt lärande
- leverera
- Avdelning
- beroende
- distribuera
- utplacering
- härleda
- beskriven
- detaljerad
- Detektering
- Bestämma
- bestämmande
- diagnos
- Diagrammet
- Skillnaden
- olika
- digital
- riktning
- direkt
- funktionshinder
- diskutera
- diskussion
- Sjukdom
- distribueras
- distribuerad utbildning
- fördelning
- flera
- Läkare
- domän
- domäner
- ner
- dr
- grund
- varaktighet
- under
- dynamisk
- varje
- lätt
- lätt
- LÄTTANVÄND
- ekon
- effektivt
- effektivitet
- effektiv
- enkel
- ansträngningar
- Elektronisk
- Elektroniska hälsoregister
- utslagen
- nödsituation
- möjliggöra
- möjliggör
- möjliggör
- Slutpunkt
- Teknik
- berikad
- säkerställa
- ange
- Hela
- epoker
- rättvis
- speciellt
- utvärdera
- Även
- Varje
- alla
- exempel
- exempel
- utbyta
- expanderade
- erfarenhet
- expert
- utforska
- förlängas
- omfattande
- Omfattande erfarenhet
- extrahera
- Ansikte
- snabbare
- möjlig
- Funktioner
- Federal
- federerade
- få
- fält
- siffror
- Filer
- slutlig
- hitta
- brandväggar
- Förnamn
- fem
- flexibel
- Fokus
- följer
- efter
- För
- kraft
- förgrunden
- formen
- hittade
- Ramverk
- ramar
- ofta
- från
- full
- ytterligare
- Vidare
- GDPR
- Allmänt
- allmänhet
- generativ
- Generativ AI
- geografisk
- skaffa sig
- Ge
- Välgörenhet
- globen
- Go
- Målet
- Mål
- Gold
- GULDMYNTFOT
- god
- Regeringen
- Regeringsledare
- stor
- vuxen
- Gäst
- hårdvara
- selar
- Utnyttja
- Har
- he
- Hälsa
- hälsoinformation
- hälso-och sjukvård
- Hjärta
- tung
- hjälpa
- hjälp
- hjälper
- här.
- högnivå
- hög kvalitet
- Markera
- Markerad
- hindra
- hans
- innehar
- sjukhuset
- sjukhus
- värd
- ÖPPETTIDER
- Hur ser din drömresa ut
- Men
- html
- http
- HTTPS
- häck
- Tanken
- Identitet
- IEEE
- if
- illustrera
- illustrerar
- bild
- bilder
- Imaging
- Inverkan
- effektfull
- genomföra
- genomförande
- genomföra
- med Esport
- förbättra
- förbättringar
- förbättra
- in
- felaktig
- Inc.
- innefattar
- Inklusive
- Inkludering
- införliva
- införlivande
- individuellt
- informationen
- informeras
- informerar
- Infrastruktur
- Initiativ
- innovativa
- insikter
- inspirerar
- Institute
- institutioner
- försäkring
- integrering
- Intelligens
- Internationell
- Internet
- Interoperabilitet
- in
- isolerat
- problem
- IT
- DESS
- delta
- jpeg
- jpg
- bara
- hålla
- kunskap
- känd
- kumar
- märkning
- språk
- Large
- storskalig
- senaste
- Lagar
- leda
- ledare
- ledare
- ledande
- Språng
- inlärning
- Lämna
- Legacy
- Nivå
- bibliotek
- Bibliotek
- livet
- livscykel
- lättvikt
- tycka om
- begränsning
- Lista
- Bor
- lokal
- platser
- lång sikt
- längre
- förlorar
- Lot
- Maskinen
- maskininlärning
- Maskiner
- bibehålla
- göra
- GÖR
- Framställning
- skadlig
- hantera
- manuell
- många
- karta
- kartläggning
- massachusetts
- Massachusetts Institute of Technology
- massiv
- maximal
- Maj..
- medicinsk
- medicinska data
- Medicare
- läkemedel
- möte
- nämnts
- Sammanfoga
- metadata
- metoder
- kanske
- minuter
- MIT
- ML
- modell
- modellering
- modeller
- mer
- mest
- Mest populär
- rörliga
- MRT
- mycket
- flerpartister
- multipel
- måste
- MVP
- nationell
- nationella hälsoinstituten
- Natural
- Naturlig språkbehandling
- Natur
- Behöver
- behövs
- behov
- nätverk
- nervceller
- Nya
- nyare
- NIH
- nlp
- Nej
- nod
- Nord
- nordamerika
- nu
- antal
- Nvidia
- hinder
- hinder
- of
- erbjudanden
- erbjuda
- Erbjudanden
- officerare
- Ofta
- on
- ONE
- nätet
- Åsikter
- optimering
- Tillbehör
- or
- organisation
- organisationer
- Övriga
- annat
- utanför
- över
- övervinna
- OH
- överlappning
- Översikt
- egen
- Papper
- papper
- deltagare
- deltagande
- parter
- parti
- Godkänd
- Patienten
- patienter
- Mönster
- mönster
- Pennsylvania sylvania~~POS=HEADCOMP
- Personer
- prestanda
- personen
- personlig
- personlig information
- fas
- piloter
- rörledning
- plato
- Platon Data Intelligence
- PlatonData
- förgiftning
- Strategier
- policy
- politiska
- Populära
- bärbarhet
- utgör
- möjlig
- Inlägg
- potentiell
- kraft
- befogenheter
- praxis
- Precision
- Förutsägelser
- preliminära
- förbereda
- förhindra
- förebyggande
- primär
- privatpolicy
- Integritet och säkerhet
- privat
- Problem
- problem
- process
- processer
- bearbetning
- yrkesmän/kvinnor
- projekt
- löfte
- andel
- föreslå
- föreslagen
- proprietary
- skyddad
- skydd
- prototyping
- ger
- tillhandahålla
- allmän
- publicly
- inköp
- sätta
- kvalitet
- Snabbt
- snabbt
- ganska
- citera
- R&D
- radikalt
- intervall
- Raw
- RE
- nå
- verklig
- verkliga världen
- skäl
- nyligen
- erkännande
- register
- återkommande
- minska
- hänvisa
- avses
- regelbunden
- regelbundet
- reglerad
- föreskrifter
- relaterad
- pålitlig
- bort
- Repository
- representation
- Krav
- forskning
- Forskningsinstitutioner
- forskare
- Lös
- Resurser
- att
- ansvaret
- ansvarig
- begränsningar
- resultera
- Resultat
- Rik
- robusta
- roller
- rot
- sagemaker
- Samma
- prov
- Save
- sparande
- skalbarhet
- skannar
- spridda
- scenarier
- schemaläggning
- Forskare
- sömlös
- sömlöst
- Andra
- sekundär
- sektioner
- sektor
- säkra
- säkerhet
- säkerhetstoken
- segmentering
- Val
- känslig
- Servrar
- Tjänster
- uppsättningar
- inställningar
- flera
- Dela
- delas
- delning
- show
- visas
- signifikant
- signifikant
- silor
- liknande
- Liknande
- Enkelt
- enda
- Områden
- Sittande
- Storlek
- Small
- So
- Samhället
- lösning
- Lösningar
- några
- ibland
- Källa
- Utrymme
- specifik
- specifikt
- Personal
- intressenter
- standard
- standarder
- starta
- igång
- Stater
- statistisk
- Steg
- Fortfarande
- förvaring
- lagras
- okomplicerad
- ämne
- undernät
- stödja
- system
- System
- Ta
- tar
- uppgift
- uppgifter
- lag
- tech
- Teknisk
- Tekniken
- Teknologi
- tensorflow
- testade
- Testning
- än
- den där
- Smakämnen
- källan
- världen
- deras
- Dem
- tema
- Där.
- vari
- därför
- Dessa
- de
- tredje part
- detta
- de
- Genom
- åtdragande
- tid
- gånger
- till
- tillsammans
- token
- alltför
- verktyg
- topp
- mot
- Spårning
- traditionell
- Tåg
- tränad
- Utbildning
- tåg
- överföring
- Förvandla
- omvandla
- transitering
- behandlad
- behandling
- betrodd
- Uk
- opartisk
- under
- enhetlig
- enhet
- förena
- United
- USA
- Universitet
- universitet
- till skillnad från
- upplåsning
- outnyttjad
- uppdaterad
- på
- us
- användbar
- användning
- användningsfall
- Begagnade
- Användare
- Användar adoption
- användningar
- med hjälp av
- Värdefulla
- värde
- variationer
- olika
- försäljare
- via
- offer
- Virtuell
- vill
- Sätt..
- we
- webb
- webbservice
- VÄL
- Hjul
- när
- om
- som
- medan
- varför
- utbredd
- med
- inom
- utan
- ord
- Arbete
- arbetade
- arbetssätt
- fungerar
- världen
- skulle
- skriven
- år
- år
- ännu
- Om er
- Din
- zephyrnet