Tıbbi görüntülerin analiz edilmesi, hastalıkların teşhis ve tedavisinde çok önemli bir rol oynar. Makine öğrenimi (ML) tekniklerini kullanarak bu süreci otomatikleştirme yeteneği, sağlık profesyonellerinin belirli kanserleri, koroner hastalıkları ve göz rahatsızlıklarını daha hızlı teşhis etmesine olanak tanır. Ancak bu alanda klinisyenlerin ve araştırmacıların karşılaştığı en önemli zorluklardan biri, görüntü sınıflandırma için ML modelleri oluşturmanın zaman alıcı ve karmaşık doğasıdır. Geleneksel yöntemler, kodlama uzmanlığı ve makine öğrenimi algoritmaları hakkında kapsamlı bilgi gerektirir; bu da birçok sağlık profesyoneli için engel teşkil edebilir.
Bu boşluğu gidermek için şunları kullandık: Amazon SageMaker Tuval, tıbbi klinisyenlerin kodlama veya uzmanlık bilgisi olmadan makine öğrenimi modelleri oluşturmasına ve dağıtmasına olanak tanıyan görsel bir araçtır. Bu kullanıcı dostu yaklaşım, klinisyenlerin hastalarına odaklanmasına olanak tanıyan, ML ile ilişkili zorlu öğrenme eğrisini ortadan kaldırır.
Amazon SageMaker Canvas, makine öğrenimi modelleri oluşturmaya yönelik bir sürükle ve bırak arayüzü sağlar. Klinisyenler kullanmak istedikleri verileri seçebilir, istenen çıktıyı belirleyebilir ve ardından modeli otomatik olarak oluşturup eğitirken izleyebilir. Model eğitildikten sonra doğru tahminler üretir.
Bu yaklaşım, tanı ve tedavi kararlarını iyileştirmek için ML'yi kullanmak isteyen tıbbi klinisyenler için idealdir. Amazon SageMaker Canvas ile makine öğrenimi uzmanı olmaya gerek kalmadan hastalarına yardımcı olmak için makine öğreniminin gücünden yararlanabilirler.
Tıbbi görüntü sınıflandırması hasta sonuçlarını ve sağlık hizmeti verimliliğini doğrudan etkiler. Tıbbi görüntülerin zamanında ve doğru şekilde sınıflandırılması, hastalıkların erken tespitine olanak tanıyarak etkili tedavi planlamasına ve izlemeye yardımcı olur. Üstelik Amazon SageMaker Canvas gibi erişilebilir arayüzler aracılığıyla ML'nin demokratikleştirilmesi, kapsamlı teknik geçmişi olmayanlar da dahil olmak üzere daha geniş bir yelpazedeki sağlık profesyonellerinin tıbbi görüntü analizi alanına katkıda bulunmasına olanak tanır. Bu kapsayıcı yaklaşım, işbirliğini ve bilgi paylaşımını teşvik eder ve sonuçta sağlık araştırmalarında ilerlemelere ve hasta bakımının iyileştirilmesine yol açar.
Bu yazıda Amazon SageMaker Canvas'ın tıbbi görüntüleri sınıflandırma konusundaki yeteneklerini keşfedeceğiz, faydalarını tartışacağız ve tıbbi teşhis üzerindeki etkisini gösteren gerçek dünyadaki kullanım örneklerini vurgulayacağız.
Kullanım örneği
Cilt kanseri ciddi ve potansiyel olarak ölümcül bir hastalıktır ve ne kadar erken tespit edilirse başarılı tedavi şansı da o kadar artar. İstatistiksel olarak cilt kanseri (örneğin Bazal ve skuamöz hücreli karsinomlar) en sık görülen kanser türlerinden biridir ve yüzbinlerce ölüme yol açmaktadır. Dünya çapında her yıl. Cilt hücrelerinin anormal büyümesiyle kendini gösterir.
Ancak erken teşhis iyileşme şansını büyük ölçüde artırır. Ayrıca cerrahi, radyografik veya kemoterapötik tedavileri gereksiz hale getirebilir veya genel kullanımlarını azaltarak sağlık bakım maliyetlerinin azaltılmasına yardımcı olabilir.
Cilt kanserini teşhis etme süreci, dermoskopi[1] adı verilen ve cilt lezyonlarının genel şeklini, boyutunu ve renk özelliklerini inceleyen bir prosedürle başlar. Şüpheli lezyonlar daha sonra kanser hücresi tipinin doğrulanması için daha fazla numune alma ve histolojik testlere tabi tutulur. Doktorlar cilt kanserini tespit etmek için görsel tespitten başlayarak birçok yöntem kullanır. Amerikan Dermatoloji Araştırma Merkezi, melanomun olası şekli için bir rehber geliştirdi. ABCD (asimetri, kenarlık, renk, çap) ve doktorlar tarafından hastalığın ilk taraması için kullanılır. Şüpheli bir cilt lezyonu bulunursa, doktor ciltteki görünür lezyondan biyopsi alır ve onu iyi huylu veya kötü huylu bir tanı ve cilt kanseri türü açısından mikroskobik olarak inceler. Bilgisayarlı görme modelleri, şüpheli benlerin veya lezyonların belirlenmesine yardımcı olmada değerli bir rol oynayabilir, bu da daha erken ve daha doğru teşhise olanak sağlar.
Bir kanser tespit modeli oluşturmak, aşağıda belirtildiği gibi çok adımlı bir süreçtir:
- Sağlıklı cilt ve çeşitli kanserli veya kanser öncesi lezyon türlerine sahip ciltlerden geniş bir görüntü veri kümesi toplayın. Doğruluk ve tutarlılığın sağlanması için bu veri kümesinin dikkatli bir şekilde düzenlenmesi gerekir.
- Görüntüleri önceden işlemek ve sağlıklı ve kanserli cilt arasında ayrım yapmak için ilgili verileri çıkarmak için bilgisayarlı görme tekniklerini kullanın.
- Modele farklı cilt türlerini ayırt etmeyi öğretmek için denetimli bir öğrenme yaklaşımı kullanarak önceden işlenmiş görüntüler üzerinde bir ML modelini eğitin.
- Modelin performansını, kanserli cildi doğru bir şekilde tanımladığından ve yanlış pozitifleri en aza indirdiğinden emin olmak için hassasiyet ve geri çağırma gibi çeşitli ölçümler kullanarak değerlendirin.
- Modeli, cilt kanserinin tespitine ve teşhisine yardımcı olmak için dermatologlar ve diğer sağlık profesyonelleri tarafından kullanılabilecek kullanıcı dostu bir araca entegre edin.
Genel olarak, sıfırdan bir cilt kanseri tespit modeli geliştirme süreci genellikle önemli miktarda kaynak ve uzmanlık gerektirir. Burası Amazon SageMaker Canvas'ın 2-5. adımlar için zaman ve çabayı basitleştirmeye yardımcı olabileceği yerdir.
Çözüme genel bakış
Herhangi bir kod yazmadan cilt kanseri bilgisayarlı görme modelinin oluşturulduğunu göstermek için Harvard Dataverse tarafından yayınlanan dermatoskopi cilt kanseri görüntü veri kümesini kullanıyoruz. Şu adreste bulunabilecek veri kümesini kullanıyoruz: HAM10000 ve cilt kanseri sınıflarını öngören bir cilt kanseri sınıflandırma modeli oluşturmak için 10,015 dermatoskopik görüntüden oluşur. Veri kümesiyle ilgili birkaç önemli nokta:
- Veri seti, akademik makine öğrenimi amaçlarına yönelik bir eğitim seti görevi görmektedir.
- Pigmentli lezyonlar alanındaki tüm önemli teşhis kategorilerinin temsili bir koleksiyonunu içerir.
- Veri setindeki birkaç kategori şunlardır: Aktinik keratoz ve intraepitelyal karsinom / Bowen hastalığı (akiec), bazal hücreli karsinom (bcc), iyi huylu keratoz benzeri lezyonlar (solar lentijinler / seboreik keratoz ve keratoz gibi liken-planus, bkl), dermatofibroma ( df), melanom (mel), melanositik nevus (nv) ve vasküler lezyonlar (anjiyomlar, anjiyokeratomlar, piyojenik granülomlar ve kanama, vasc)
- Veri setindeki lezyonların %50'sinden fazlası histopatoloji (histo) yoluyla doğrulanmıştır.
- Geri kalan davalara ilişkin temel gerçek, takip muayenesi yoluyla belirlenir (
follow_up
), uzman görüş birliği (fikir birliği) veya onay in vivo eş odaklı mikroskopi (eş odaklı). - Veri seti, birden fazla görüntüye sahip lezyonları içerir ve bunlar kullanılarak izlenebilmektedir.
lesion_id
içindeki sütunHAM10000_metadata
dosyası.
Amazon SageMaker Canvas'ı kullanarak herhangi bir kod yazmadan birden fazla cilt kanseri kategorisi için görüntü sınıflandırmasının nasıl basitleştirileceğini gösteriyoruz. Bir cilt lezyonunun görüntüsü verildiğinde, SageMaker Canvas görüntü sınıflandırması görüntüyü otomatik olarak iyi huylu veya olası kanser olarak sınıflandırır.
Önkoşullar
- Bir erişim AWS Adımlar bölümünde açıklanan kaynakları oluşturma izinlerine sahip hesap.
- AWS Kimlik ve Erişim Yönetimi (AWS IAM) kullanıcısı Amazon SageMaker'ı kullanmak için tam izinlere sahip.
Walkthrough
- SageMaker alan adını kurma
- Veri kümelerini ayarlama
- Amazon Basit Depolama Hizmeti oluşturun (Amazon S3) benzersiz bir ada sahip paket;
image-classification-<ACCOUNT_ID>
ACCOUNT_ID, benzersiz AWS Hesap Numaranızdır. - Bu pakette iki klasör oluşturun:
training-data
vetest-data
. - Eğitim verileri altında, veri kümesinde tanımlanan cilt kanseri kategorilerinin her biri için yedi klasör oluşturun:
akiec
,bcc
,bkl
,df
,mel
,nv
, vevasc
. - Veri seti, birden fazla görüntüye sahip lezyonları içerir ve bunlar,
lesion_id-column
içindeHAM10000_metadata
dosya. Kullanmaklesion_id-column
, ilgili görselleri sağ klasöre kopyalayın (yani her sınıflandırma için 100 görselle başlayabilirsiniz).
- Amazon Basit Depolama Hizmeti oluşturun (Amazon S3) benzersiz bir ada sahip paket;
- Amazon SageMaker Canvas'ı kullanın
- Git Amazon Adaçayı Yapıcı konsolda servis öğesini seçin ve Tuval listeden. Kanvas sayfasına geldiğinizde lütfen seçin Açık Tuval düğmesine basın.
- Kanvas sayfasına geldiğinizde, modellerim ve sonra seç Yeni model Ekranınızın sağında.
- Adını koyacağımız yeni bir açılır pencere açılır. resim_sınıflandırma modelin adı olarak ve altında Görüntü analizi seçeneğini seçin. Sorun tipi.
- Veri kümesini içe aktar
- Bir sonraki sayfada lütfen seçin Veri kümesi oluşturun ve açılır kutuda veri kümesini şu şekilde adlandırın: resim_sınıflandırma Seçin ve oluşturmak düğmesine basın.
- Bir sonraki sayfada, değiştirin Veri kaynağı için Amazon S3. Ayrıca görüntüleri doğrudan yükleyebilirsiniz (ör. Yerel yükleme).
- Seçtiğinizde Amazon S3hesabınızda bulunan paketlerin listesini alacaksınız. Veri kümesini alt klasörde tutan üst grubu seçin (ör. resim-sınıflandırma-2023 seçin Tarihleri içe aktar düğme. Bu, Amazon SageMaker Canvas'ın görüntüleri klasör adlarına göre hızlı bir şekilde etiketlemesine olanak tanır.
- Veri kümesi başarıyla içe aktarıldığında Durum sütunundaki değerin şu şekilde değiştiğini göreceksiniz: Hazır itibaren İşlemde.
- Şimdi seçerek veri kümenizi seçin Veri kümesini seçin sayfanızın alt kısmında.
- Modelinizi oluşturun
- Üzerinde İnşa etmek sayfasında verilerinizin Amazon S3'teki klasör adına göre içe aktarıldığını ve etiketlendiğini görmelisiniz.
- seçmek Hızlı inşa düğmesini (yani aşağıdaki resimde kırmızıyla vurgulanan içerik) tıkladığınızda modeli oluşturmak için iki seçenek göreceksiniz. Bunlardan ilki Hızlı inşa ve ikincisi Standart yapı. Adından da anlaşılacağı gibi hızlı oluşturma seçeneği, doğruluktan ziyade hız sağlar ve modelin oluşturulması yaklaşık 15 ila 30 dakika sürer. Standart yapı, hızdan ziyade doğruluğa öncelik verir ve model oluşturmanın tamamlanması 45 dakikadan 4 saate kadar sürer. Standart yapı, farklı hiperparametre kombinasyonlarını kullanarak deneyler yapar ve arka uçta birçok model oluşturur (SageMaker Autopilot işlevselliğini kullanarak) ve ardından en iyi modeli seçer.
- seç Standart yapı modeli oluşturmaya başlamak için. Tamamlanması yaklaşık 2-5 saat sürer.
- Model oluşturma tamamlandığında, Şekil 11'de gösterildiği gibi tahmini doğruluğu görebilirsiniz.
- Seçerseniz Puanlama sekmesi, size model doğruluğuna ilişkin bilgiler sağlamalıdır. Ayrıca şunları da seçebiliriz: Gelişmiş metrikler düğmesini Puanlama Hassasiyeti, hatırlamayı ve F1 puanını görüntülemek için sekmeyi kullanın (Sınıf dengesini hesaba katan dengeli bir doğruluk ölçüsü).
- Amazon SageMaker Canvas'ın size gösterdiği gelişmiş ölçümler, modelinizin verileriniz üzerinde sayısal, kategorik, görüntü, metin veya zaman serisi tahmin tahminleri gerçekleştirip gerçekleştirmediğine bağlıdır. Bu durumda, geri çağırmanın kesinlikten daha önemli olduğuna inanıyoruz çünkü bir kanser tespitini kaçırmak, doğru tespit etmekten çok daha tehlikelidir. 2 kategorili tahmin veya 3 kategorili tahmin gibi kategorik tahmin, sınıflandırmanın matematiksel konseptini ifade eder. gelişmiş metrik hatırlama, tüm gerçek pozitiflerin (TP + yanlış negatifler) içindeki gerçek pozitiflerin (TP) oranıdır. Model tarafından doğru bir şekilde pozitif olarak tahmin edilen olumlu örneklerin oranını ölçer. Lütfen buna bakın Amazon SageMaker Canvas'ın gelişmiş ölçümlerine derinlemesine bakış Gelişmiş ölçümlere ilişkin derinlemesine bir inceleme için.
Bu, Amazon SageMaker Canvas'ta model oluşturma adımını tamamlar.
- Modelinizi test edin
- Artık seçebilirsiniz Tahmin sizi şuraya götüren düğme Tahmin kendi görsellerinizi yükleyebileceğiniz sayfa Tek tahmin or Toplu tahmin. Lütfen tercih ettiğiniz seçeneği belirleyin ve seçin ithalat Resminizi yüklemek ve modeli test etmek için.
- Tek bir görüntü tahmini yaparak başlayalım. üzerinde olduğunuzdan emin olun. Tek Tahmin Ve seç Resmi içe aktar. Bu sizi görselinizi yüklemeyi seçebileceğiniz bir iletişim kutusuna götürür. Amazon S3veya bir Yerel yükleme. Bizim durumumuzda, seçiyoruz Amazon S3 ve test görsellerinin bulunduğu dizinimize göz atın ve herhangi bir görseli seçin. Sonra seçin Tarihleri içe aktar.
- Seçildikten sonra ekranın şunu söylediğini görmelisiniz: Tahmin sonuçları oluşturuluyor. Sonuçlarınızı aşağıda gösterildiği gibi birkaç dakika içinde alacaksınız.
- Şimdi Batch tahminini deneyelim. Seçme Toplu tahmin altında Tahminleri çalıştır Seçin ve Yeni veri kümesini içe aktar düğmesine basın ve adlandırın Toplu Tahmin ve vurmak oluşturmak düğmesine basın.
- Bir sonraki pencerede Amazon S3 yüklemesini seçtiğinizden emin olun ve test setimizin bulunduğu dizine göz atın ve Tarihleri içe aktar düğmesine basın.
- Görüntüler içeri girdikten sonra Hazır durumu, oluşturulan veri kümesi için radyo düğmesini seçin ve Tahminler oluştur'u seçin. Şimdi toplu tahmin grubunun durumunu görmelisiniz. Tahminler oluşturuluyor. Sonuçların çıkması için birkaç dakika bekleyelim.
- Durum girildikten sonra Hazır durumunda, sizi tüm görsellerimizde ayrıntılı tahminleri gösteren bir sayfaya götürecek veri kümesi adını seçin.
- Toplu Tahmin'in bir diğer önemli özelliği, sonuçları doğrulayabilmek ve ayrıca daha fazla kullanım veya paylaşım için tahmini bir zip veya csv dosyasına indirebilmektir.
Bununla başarılı bir şekilde bir model oluşturabildiniz, onu eğitebildiniz ve tahminini Amazon SageMaker Canvas ile test edebildiniz.
Temizlemek
Klinik Çıkış Yap tüketimini durdurmak amacıyla Amazon SageMaker Canvas uygulamasında oturumu kapatmak için sol gezinme bölmesinde SageMaker Canvas çalışma alanı örnek saatleri ve tüm kaynakları serbest bırakın.
Alıntı
[1]Fraiwan M, Faouri E. Derin Transfer Öğrenme Kullanılarak Cilt Kanserinin Otomatik Tespiti ve Sınıflandırılması Üzerine. Sensörler (Basel). 2022 30 Haziran;22(13):4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Sonuç
Bu yazıda size ML tekniklerini kullanan tıbbi görüntü analizinin cilt kanseri teşhisini nasıl hızlandırabileceğini ve bunun diğer hastalıkların teşhisine uygulanabilirliğini gösterdik. Ancak görüntü sınıflandırma için ML modelleri oluşturmak genellikle karmaşık ve zaman alıcıdır; kodlama uzmanlığı ve ML bilgisi gerektirir. Amazon SageMaker Canvas, kodlama veya özel makine öğrenimi becerileri ihtiyacını ortadan kaldıran görsel bir arayüz sağlayarak bu zorluğun üstesinden geldi. Bu, sağlık profesyonellerinin zorlu bir öğrenme eğrisi olmadan ML'yi kullanmalarına olanak tanıyarak hasta bakımına odaklanmalarına olanak tanır.
Bir kanser tespit modeli geliştirmenin geleneksel süreci zahmetli ve zaman alıcıdır. Bu, seçilmiş bir veri kümesinin toplanmasını, görüntülerin ön işlenmesini, bir ML modelinin eğitilmesini, performansının değerlendirilmesini ve bunu sağlık profesyonelleri için kullanıcı dostu bir araca entegre etmeyi içerir. Amazon SageMaker Canvas, ön işlemeden entegrasyona kadar olan adımları basitleştirerek cilt kanseri tespit modeli oluşturmak için gereken süreyi ve çabayı azalttı.
Bu yazıda Amazon SageMaker Canvas'ın tıbbi görüntüleri sınıflandırma, avantajlarına ışık tutma ve tıbbi teşhis üzerindeki derin etkisini gösteren gerçek dünyadaki kullanım örneklerini sunma konusundaki güçlü yeteneklerini inceledik. Araştırdığımız ilgi çekici kullanım örneklerinden biri de cilt kanseri tespiti ve erken teşhisin çoğu zaman tedavi sonuçlarını önemli ölçüde iyileştirdiği ve sağlık bakım maliyetlerini nasıl azalttığıydı.
Modelin doğruluğunun, eğitim veri kümesinin boyutu ve kullanılan spesifik model türü gibi faktörlere bağlı olarak değişebileceğini kabul etmek önemlidir. Bu değişkenler sınıflandırma sonuçlarının performansını ve güvenilirliğini belirlemede rol oynar.
Amazon SageMaker Canvas, sağlık profesyonellerinin hastalıkları daha doğru ve verimli bir şekilde teşhis etmesine yardımcı olan paha biçilmez bir araç olarak hizmet verebilir. Ancak, sağlık profesyonellerinin uzmanlığının ve muhakemesi yerine geçme amacı taşımadığını belirtmek hayati önem taşımaktadır. Aksine, yeteneklerini artırarak ve daha kesin ve amaca uygun teşhisleri mümkün kılarak onları güçlendirir. Karar verme sürecinde insan unsuru önemini koruyor ve sağlık profesyonelleri ile Amazon SageMaker Canvas dahil yapay zeka (AI) araçları arasındaki işbirliği, optimum hasta bakımının sağlanmasında çok önemli.
yazarlar hakkında
Ramakant Joshi analitik ve sunucusuz etki alanında uzmanlaşmış bir AWS Çözüm Mimarıdır. Yazılım geliştirme ve hibrit mimariler konusunda bir geçmişe sahiptir ve müşterilerin bulut mimarilerini modernleştirmelerine yardımcı olma konusunda tutkuludur.
Jake Wen AWS'de Makine Öğrenimi, Doğal Dil İşleme ve Derin Öğrenme tutkusuyla hareket eden bir Çözüm Mimarıdır. Kurumsal müşterilere Bulutta modernizasyon ve ölçeklenebilir dağıtım sağlama konusunda yardımcı olur. Jake, teknoloji dünyasının ötesinde kaykay yapmaktan, yürüyüş yapmaktan ve hava dronlarını uçurmaktan keyif alıyor.
Sonu Kumar Singh analitik alanında uzmanlığa sahip bir AWS Çözüm Mimarıdır. Veriye dayalı karar almayı mümkün kılarak ve böylece yenilikçiliği ve büyümeyi teşvik ederek kuruluşlardaki dönüştürücü değişimleri katalize etmede etkili olmuştur. Tasarladığı veya yarattığı bir şeyin olumlu bir etki yaratmasından keyif alıyor. AWS'de amacı, müşterilerin AWS'nin 200'den fazla bulut hizmetinden değer elde etmesine yardımcı olmak ve onları bulut yolculuklarında güçlendirmektir.
Dariush Azimi AWS'de Makine Öğrenimi, Doğal Dil İşleme (NLP) ve Kubernetes ile mikro hizmet mimarisi konularında uzmanlaşan bir Çözüm Mimarıdır. Misyonu, veri depolama, erişilebilirlik, analiz ve tahmin yeteneklerini kapsayan kapsamlı uçtan uca çözümler aracılığıyla kuruluşların verilerinin tüm potansiyelinden yararlanmalarını sağlamaktır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :vardır
- :dır-dir
- :Neresi
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- %15
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- akademik
- erişim
- ulaşabilme
- ulaşılabilir
- Hesap
- doğruluk
- doğru
- tam olarak
- elde
- onaylamak
- gerçek
- adres
- ele
- ilerlemek
- ileri
- gelişmeler
- AI
- Yardım
- HAVA
- algoritmalar
- Türkiye
- Izin
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Tuval
- Amazon Web Servisleri
- Amerikan
- an
- analiz
- analytics
- ve
- herhangi
- Uygulama
- yaklaşım
- mimari
- ARE
- etrafında
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- asist
- ilişkili
- At
- otomatikleştirmek
- Otomatik
- otomatik olarak
- AWS
- Backend
- arka fon
- arka
- Bakiye
- bariyer
- merkezli
- Basel
- BE
- Çünkü
- olmuştur
- Inanmak
- altında
- faydaları
- İYİ
- Daha iyi
- arasında
- Ötesinde
- sınır
- Alt
- kutu
- Getiriyor
- Daha geniş
- inşa etmek
- bina
- inşa
- düğmesine tıklayın
- by
- denilen
- CAN
- Kanser
- tuval
- yetenekleri
- hangi
- dikkatlice
- dava
- durumlarda
- katalizleyen
- kategoriler
- Hücreler
- Merkez
- belli
- meydan okuma
- zorluklar
- şans
- şansı
- değişiklik
- özellikleri
- seçim
- Klinik
- seçme
- sınıf
- sınıflar
- sınıflandırma
- klinisyenler
- bulut
- bulut hizmetleri
- kod
- kodlama
- işbirliği
- Toplamak
- renk
- Sütun
- kombinasyonları
- ortak
- zorlayıcı
- tamamlamak
- Tamamladı
- karmaşık
- kapsamlı
- bilgisayar
- Bilgisayar görüşü
- kavram
- koşullar
- onay
- ONAYLANDI
- Fikir birliği
- oluşur
- konsolos
- tüketim
- içerik
- katkıda bulunmak
- doğru
- uyan
- maliyetler
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- çok önemli
- hantal
- küratörlüğünü
- eğri
- Müşteriler
- Tehlikeli
- veri
- veri saklama
- veri-güdümlü
- veri evreni
- ölüm
- Karar verme
- kararlar
- derin
- derin dalış
- derin öğrenme
- zevk
- demokratikleşme
- göstermek
- bağlı
- dağıtmak
- açılma
- tarif edilen
- tasarlanmış
- İstediğiniz
- detaylı
- belirlemek
- algılandı
- Bulma
- kararlı
- belirlenmesi
- gelişmiş
- gelişen
- gelişme
- Diyalog
- farklı
- farklılaştırmak
- direkt olarak
- tartışmak
- Hastalık
- hastalıklar
- ayırmak
- dalış
- do
- doktorlar
- Doktorlar
- yapıyor
- domain
- indir
- şiddetle
- tahrik
- Drones
- e
- her
- Daha erken
- Erken
- Etkili
- verim
- çaba
- eleman
- ortadan kaldırır
- istihdam
- güçlendirmek
- olarak güçlendiriyor
- sağlar
- etkinleştirme
- kapsayan
- son uca
- Geliştirir
- sağlamak
- kuruluş
- gerekli
- tahmini
- değerlendirmek
- inceler
- hızlandırmak
- deneyler
- uzman
- Uzmanlık
- keşfetmek
- keşfedilmeyi
- kapsamlı, geniş
- çıkarmak
- f1
- yüzlü
- faktörler
- yanlış
- uzak
- Özellikler(Hazırlık aşamasında)
- az
- alan
- şekil
- fileto
- bulur
- Ad
- odak
- takip etme
- İçin
- teşvikler
- bulundu
- kesir
- itibaren
- tam
- işlevsellik
- daha fazla
- boşluk
- toplama
- genel
- oluşturmak
- üretir
- almak
- verilmiş
- büyük
- Zemin
- Büyüme
- rehberlik
- koşum
- Harvard
- Var
- he
- sağlık
- sağlıklı
- yardım et
- yardım
- Vurgulamak
- onun
- vurmak
- tutar
- SAAT
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- insan
- İnsan Unsuru
- Yüzlerce
- melez
- i
- ideal
- tespit
- tanımlar
- belirlemek
- Kimlik
- if
- görüntü
- Görüntü sınıflandırması
- görüntüleri
- darbe
- Etkiler
- ithalat
- önemli
- iyileştirmek
- gelişmiş
- in
- içerir
- Dahil olmak üzere
- dahil
- Artışlar
- ilk
- Yenilikçilik
- anlayışlar
- örnek
- enstrümental
- entegre
- bütünleşme
- İstihbarat
- yönelik
- Niyet
- arayüzey
- arayüzler
- içine
- paha biçilmez
- IT
- ONUN
- kendisi
- seyahat
- jpg
- anahtar
- bilgi
- kumar
- etiket
- etiketleme
- dil
- büyük
- İlanlar
- öğrenme
- sol
- ışık
- sevmek
- Liste
- listeleme
- log
- makine
- makine öğrenme
- yapmak
- yönetim
- çok
- matematiksel
- Mayıs..
- ölçmek
- önlemler
- tıbbi
- yöntemleri
- Metrikleri
- mikroskopla inceleme
- microservices
- en aza indirir
- dakika
- eksik
- Misyonumuz
- ML
- model
- modelleri
- modernleştirmek
- izleme
- Daha
- Dahası
- çoğu
- çoklu
- isim
- isimleri
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- Gezin
- Navigasyon
- gerek
- gerek
- ihtiyaçlar
- negatifler
- yeni
- sonraki
- NIH
- nlp
- şimdi
- NV
- nesneler
- of
- sık sık
- on
- bir Zamanlar
- ONE
- açılır
- optimum
- seçenek
- Opsiyonlar
- or
- organizasyonlar
- Diğer
- bizim
- dışarı
- sonuçlar
- özetlenen
- çıktı
- tekrar
- tüm
- kendi
- Kanal
- bölmesi
- tutku
- tutkulu
- hasta
- hastalar
- başına
- performans
- gerçekleştirir
- izinleri
- Seçtikleri
- pilot
- asıl
- planlama
- Platon
- Plato Veri Zekası
- PlatoVeri
- OYNA
- çalış
- Lütfen
- noktaları
- pop-up
- pozitif
- mümkün
- Çivi
- potansiyel
- potansiyel
- güç kelimesini seçerim
- güçlü
- gerek
- Hassas
- tahmin
- tahmin
- Tahminler
- öngörür
- mevcut
- öncelik
- prosedür
- süreç
- işleme
- profesyoneller
- derin
- oran
- sağlamak
- sağlar
- sağlama
- yayınlanan
- amaçlı
- Hızlı
- hızla
- radyo
- menzil
- daha doğrusu
- Gerçek dünya
- alan
- kurtarma
- azaltmak
- Indirimli
- azaltır
- başvurmak
- ifade eder
- serbest
- uygun
- güvenilirlik
- kalıntılar
- değiştirmek
- temsilci
- gerektirir
- gereklidir
- gerektirir
- araştırma
- Araştırmacılar
- Kaynaklar
- DİNLENME
- Sonuçlar
- krallar gibi yaşamaya
- Rol
- ishal
- sagemaker
- diyor
- ölçeklenebilir
- Gol
- çizik
- Ekran
- tarama
- İkinci
- Bölüm
- görmek
- seçilmiş
- sensörler
- Dizi
- ciddi
- hizmet vermek
- Serverless
- vermektedir
- hizmet
- Hizmetler
- set
- Yedi
- Shape
- paylaşımı
- Vardiyalar
- meli
- vitrin
- gösterdi
- gösterilen
- Gösteriler
- önemli
- önemli ölçüde
- Basit
- basitleştirilmiş
- basitleştirmek
- tek
- beden
- becerileri
- cilt
- Yazılım
- yazılım geliştirme
- güneş
- çözüm
- Çözümler
- bir şey
- özel
- uzmanlaşmış
- özel
- hız
- standart
- başlama
- XNUMX dakika içinde!
- başlar
- Eyalet
- Durum
- adım
- Basamaklar
- dur
- hafızası
- Ders çalışma
- başarılı
- Başarılı olarak
- böyle
- önermek
- elbette
- cerrahi
- şüpheli
- alır
- alma
- teknoloji
- Teknik
- teknikleri
- test
- testleri
- metin
- göre
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- böylece
- Bunlar
- onlar
- Re-Tweet
- Bu
- Binlerce
- İçinden
- zaman
- Zaman serisi
- zaman tükeniyor
- vakitli
- için
- araç
- araçlar
- tp
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- trenler
- transfer
- dönüştürücü
- tedavi
- tedavi
- gerçek
- Hakikat
- denemek
- iki
- tip
- türleri
- tipik
- eninde sonunda
- altında
- uğramak
- benzersiz
- gereksiz
- kullanım
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı dostu
- kullanma
- Değerli
- değer
- çeşitlilik
- çeşitli
- doğrulamak
- Görüntüle
- gözle görülür
- vizyonumuz
- hayati
- beklemek
- istemek
- oldu
- İzle
- we
- ağ
- web hizmetleri
- vardı
- ne zaman
- olup olmadığını
- hangi
- DSÖ
- pencere
- ile
- içinde
- olmadan
- Atölyeler
- Dünya
- yazı yazıyor
- yıl
- Sen
- zefirnet
- zip