Аналіз медичних зображень відіграє вирішальну роль у діагностиці та лікуванні захворювань. Здатність автоматизувати цей процес за допомогою методів машинного навчання (ML) дозволяє медичним працівникам швидше діагностувати певні види раку, коронарні захворювання та офтальмологічні захворювання. Однак одна з ключових проблем, з якою стикаються клініцисти та дослідники в цій галузі, полягає в тому, що побудова моделей ML для класифікації зображень займає багато часу та займає багато часу. Традиційні методи вимагають досвіду кодування та глибоких знань алгоритмів машинного навчання, що може бути перешкодою для багатьох медичних працівників.
Щоб усунути цю прогалину, ми використали Canvas Amazon SageMaker, візуальний інструмент, який дозволяє лікарям-клініцистам створювати та розгортати моделі ML без кодування чи спеціальних знань. Цей зручний підхід усуває круту криву навчання, пов’язану з МЛ, що дає клініцистам можливість зосередитися на своїх пацієнтах.
Amazon SageMaker Canvas надає інтерфейс перетягування для створення моделей ML. Клініцисти можуть вибрати дані, які вони хочуть використовувати, вказати бажаний результат, а потім спостерігати, як він автоматично створює та навчає модель. Коли модель навчена, вона генерує точні прогнози.
Цей підхід ідеально підходить для клініцистів, які хочуть використовувати МЛ для покращення діагностики та лікування. Завдяки Amazon SageMaker Canvas вони можуть використовувати потужність ML, щоб допомогти своїм пацієнтам, не потребуючи бути експертом ML.
Класифікація медичних зображень безпосередньо впливає на результати пацієнтів та ефективність медичної допомоги. Своєчасна та точна класифікація медичних зображень дозволяє своєчасно виявляти захворювання, що сприяє ефективному плануванню та моніторингу лікування. Крім того, демократизація машинного навчання за допомогою доступних інтерфейсів, таких як Amazon SageMaker Canvas, дозволяє ширшому колу медичних працівників, у тому числі тих, хто не має глибокої технічної підготовки, робити внесок у сферу аналізу медичних зображень. Такий інклюзивний підхід сприяє співпраці та обміну знаннями та, зрештою, призводить до прогресу в дослідженнях у галузі охорони здоров’я та покращення догляду за пацієнтами.
У цій публікації ми дослідимо можливості Amazon SageMaker Canvas у класифікації медичних зображень, обговоримо його переваги та висвітлимо випадки використання в реальному світі, які демонструють його вплив на медичну діагностику.
Використовуйте футляр
Рак шкіри є серйозним і потенційно смертельним захворюванням, і чим раніше його виявлять, тим більше шансів на успішне лікування. Статистично, рак шкіри (наприклад, базально-клітинний та плоскоклітинний рак) є одним із найпоширеніших видів раку, який призводить до сотень тисяч смертей. світовий кожен рік. Це проявляється через аномальний ріст клітин шкіри.
Однак рання діагностика значно підвищує шанси на одужання. Більше того, це може зробити непотрібним хірургічне, рентгенографічне чи хіміотерапевтичне лікування або зменшити їх загальне використання, допомагаючи зменшити витрати на охорону здоров’я.
Процес діагностики раку шкіри починається з процедури, яка називається дерматоскопією [1], яка перевіряє загальну форму, розмір і колірні характеристики уражень шкіри. Потім підозрювані ураження піддаються подальшому взяттю зразків і гістологічним дослідженням для підтвердження типу ракових клітин. Лікарі використовують кілька методів виявлення раку шкіри, починаючи з візуального виявлення. Американський центр вивчення дерматології розробив посібник щодо можливої форми меланоми, яка називається А Б В Г (асиметрія, кордон, колір, діаметр) і використовується лікарями для первинного скринінгу захворювання. Якщо виявлено підозрюване ураження шкіри, тоді лікар бере біопсію видимого ураження шкіри та досліджує його під мікроскопом для виявлення доброякісного або злоякісного новоутворення та типу раку шкіри. Моделі комп’ютерного зору можуть відігравати важливу роль, допомагаючи ідентифікувати підозрілі родимки чи ураження, що дає змогу ранішої та точнішої діагностики.
Створення моделі виявлення раку є багатоетапним процесом, як описано нижче:
- Зберіть великий набір даних зображень здорової шкіри та шкіри з різними типами ракових або передракових уражень. Цей набір даних має бути ретельно підібраний, щоб забезпечити точність і послідовність.
- Використовуйте методи комп’ютерного зору для попередньої обробки зображень і виділення релевантних даних, щоб відрізнити здорову шкіру від ракової.
- Навчіть модель ML на попередньо оброблених зображеннях, використовуючи підхід до навчання під наглядом, щоб навчити модель розрізняти різні типи шкіри.
- Оцініть ефективність моделі за допомогою різних показників, таких як точність і запам’ятовування, щоб переконатися, що вона точно ідентифікує ракову шкіру та мінімізує помилкові спрацьовування.
- Інтегруйте модель у зручний інструмент, який могли б використовувати дерматологи та інші медичні працівники для допомоги у виявленні та діагностиці раку шкіри.
Загалом, процес розробки моделі виявлення раку шкіри з нуля зазвичай вимагає значних ресурсів і досвіду. Саме тут Amazon SageMaker Canvas може допомогти спростити час і зусилля для виконання кроків 2–5.
Огляд рішення
Щоб продемонструвати створення моделі комп’ютерного зору раку шкіри без написання коду, ми використовуємо набір даних зображень раку шкіри дерматоскопії, опублікований Harvard Dataverse. Ми використовуємо набір даних, який можна знайти за адресою HAM10000 і складається з 10,015 XNUMX дерматоскопічних зображень для побудови моделі класифікації раку шкіри, яка передбачає прогнозування класів раку шкіри. Кілька ключових моментів про набір даних:
- Набір даних служить навчальним набором для академічних цілей ML.
- Він включає репрезентативну колекцію всіх важливих діагностичних категорій у сфері пігментних уражень.
- Кілька категорій у наборі даних: актинічні кератози та інтраепітеліальна карцинома / хвороба Боуена (akiec), базаліома (bcc), доброякісні ураження, подібні до кератозу (сонячні лентигіни / себорейні кератози та кератози, подібні плоскому лишаю, bkl), дерматофіброма ( df), меланома (mel), меланоцитарні невуси (nv) і судинні ураження (ангіоми, ангіокератоми, піогенні гранульоми та крововиливи, vasc)
- Понад 50% уражень у наборі даних підтверджено гістопатологією (гісто).
- Основну істину для решти випадків встановлює контрольне обстеження (
follow_up
), експертний консенсус (консенсус), або підтвердження за в природних умовах конфокальна мікроскопія (конфокальна). - Набір даних включає ураження з кількома зображеннями, які можна відстежувати за допомогою
lesion_id
стовпець у межахHAM10000_metadata
файлу.
Ми демонструємо, як спростити класифікацію зображень для кількох категорій раку шкіри без написання коду за допомогою Amazon SageMaker Canvas. Отримавши зображення ураження шкіри, класифікація зображень SageMaker Canvas автоматично класифікує зображення як доброякісне або можливе ракове захворювання.
Передумови
- Доступ до an AWS обліковий запис із дозволами на створення ресурсів, описаних у розділі кроків.
- Керування ідентифікацією та доступом AWS (AWS IAM). з повними дозволами на використання Amazon SageMaker.
Проходження
- Налаштувати домен SageMaker
- Налаштувати набори даних
- Створіть просту службу зберігання Amazon (Amazon S3) відро з унікальною назвою, яке є
image-classification-<ACCOUNT_ID>
де ACCOUNT_ID – ваш унікальний номер облікового запису AWS. - У цьому відрі створіть дві папки:
training-data
таtest-data
. - У розділі навчальних даних створіть сім папок для кожної з категорій раку шкіри, визначених у наборі даних:
akiec
,bcc
,bkl
,df
,mel
,nv
таvasc
. - Набір даних включає ураження з кількома зображеннями, які можна відстежувати
lesion_id-column
вHAM10000_metadata
файл. Використанняlesion_id-column
, скопіюйте відповідні зображення в праву папку (тобто ви можете почати зі 100 зображень для кожної класифікації).
- Створіть просту службу зберігання Amazon (Amazon S3) відро з унікальною назвою, яке є
- Використовуйте Amazon SageMaker Canvas
- Перейти до Amazon SageMaker службу в консолі та виберіть Полотно зі списку. Перейшовши на сторінку полотна, виберіть Відкрити Canvas кнопки.
- Перейшовши на сторінку Canvas, виберіть Мої моделі а потім виберіть Нова модель праворуч на екрані.
- Відкриється нове спливаюче вікно, де ми називаємо image_classify як назву моделі та виберіть Аналіз зображення під Тип проблеми.
- Імпортуйте набір даних
- На наступній сторінці виберіть Створити набір даних і в спливаючому вікні назвіть набір даних як image_classify і виберіть Створювати кнопки.
- На наступній сторінці змініть Джерело даних до Amazon S3. Ви також можете безпосередньо завантажити зображення (тобто Локальне завантаження).
- При виборі Amazon S3, ви отримаєте список сегментів, наявних у вашому обліковому записі. Виберіть батьківський сегмент, який містить набір даних у вкладеній папці (наприклад, image-classify-2023 і виберіть Дати імпорту кнопку. Це дозволяє Amazon SageMaker Canvas швидко позначати зображення на основі імен папок.
- Після успішного імпорту набору даних ви побачите, що значення в стовпці Статус зміниться на Готовий від Обробка.
- Тепер виберіть свій набір даних, вибравши Виберіть набір даних унизу вашої сторінки.
- Побудуйте свою модель
- на Будувати Ви повинні побачити свої дані, імпортовані та позначені відповідно до назви папки в Amazon S3.
- Виберіть Швидка збірка кнопку (тобто виділений червоним вміст на наступному зображенні), і ви побачите два варіанти побудови моделі. Перший - це Швидка збірка а другий - це Стандартна збірка. Як випливає з назви, параметр швидкого складання забезпечує швидкість над точністю, а створення моделі займає від 15 до 30 хвилин. У стандартній збірці пріоритетом є точність над швидкістю, а створення моделі займає від 45 хвилин до 4 годин. Стандартна збірка проводить експерименти з використанням різних комбінацій гіперпараметрів і генерує багато моделей у серверній частині (за допомогою функції SageMaker Autopilot), а потім вибирає найкращу модель.
- Select Стандартна збірка щоб почати будувати модель. Це займає близько 2–5 годин.
- Після завершення побудови моделі ви зможете побачити приблизну точність, як показано на малюнку 11.
- При виборі Рахунок вкладка, вона має надати вам уявлення про точність моделі. Крім того, ми можемо вибрати Розширені показники кнопка на Рахунок вкладка, щоб переглянути точність, запам’ятовування та оцінку F1 (збалансована міра точності, яка враховує баланс класу).
- Розширені показники, які показує вам Amazon SageMaker Canvas, залежать від того, чи виконує ваша модель числові, категориальні, зображення, текст чи передбачення часових рядів для ваших даних. У цьому випадку ми вважаємо, що запам’ятовування є важливішим, ніж точність, оскільки пропуск виявлення раку набагато небезпечніший, ніж виявлення правильного. Категоріальне передбачення, таке як 2-категорійне передбачення або 3-категорійне передбачення, відноситься до математичної концепції класифікації. The розширена метрика відкликання – це частка справжніх позитивних результатів (TP) від усіх фактичних позитивних результатів (TP + помилково негативні). Він вимірює частку позитивних випадків, які модель правильно передбачила як позитивні. Будь ласка, зверніться до цього Глибоке занурення в розширені показники Amazon SageMaker Canvas для глибокого занурення в попередні показники.
На цьому етап створення моделі в Amazon SageMaker Canvas завершено.
- Перевірте свою модель
- Тепер ви можете вибрати Прогнозуйте кнопку, яка переведе вас до Прогнозуйте сторінку, на яку ви можете завантажити власні зображення Єдине передбачення or Пакетне прогнозування. Будь ласка, встановіть потрібний варіант і виберіть Імпортувати щоб завантажити зображення та перевірити модель.
- Давайте почнемо з прогнозування одного зображення. Переконайтеся, що ви на Єдине передбачення І вибирай Імпортувати зображення. Це призведе вас до діалогового вікна, з якого ви можете завантажити своє зображення Amazon S3, або зробіть а Локальне завантаження. У нашому випадку ми вибираємо Amazon S3 і перегляньте наш каталог, де є тестові зображення, і виберіть будь-яке зображення. Потім виберіть Дати імпорту.
- Після вибору ви повинні побачити на екрані повідомлення Генерація результатів прогнозування. Ви повинні отримати результати через кілька хвилин, як показано нижче.
- Тепер давайте спробуємо пакетне передбачення. Виберіть Пакетне прогнозування при Виконайте прогнози і виберіть Імпортувати новий набір даних і назвіть її BatchPrediction і вдарив Створювати кнопки.
- У наступному вікні переконайтеся, що ви вибрали завантаження Amazon S3, перейдіть до каталогу, де ми маємо наш тестовий набір, і виберіть Дати імпорту кнопки.
- Після появи зображень Готовий статус, виберіть перемикач для створеного набору даних і виберіть Створити прогнози. Тепер ви маєте побачити статус пакетного прогнозу batch to Генерація прогнозів. Давайте почекаємо кілька хвилин на результати.
- Після того, як статус входить Готовий виберіть назву набору даних, яка переведе вас на сторінку з детальним прогнозом на всіх наших зображеннях.
- Ще одна важлива функція Batch Prediction — можливість перевірити результати, а також можливість завантажити прогноз у файлі zip або csv для подальшого використання чи спільного використання.
Завдяки цьому ви успішно змогли створити модель, навчити її та перевірити її передбачення за допомогою Amazon SageMaker Canvas.
Очищення
Вибирати Вийти на лівій навігаційній панелі, щоб вийти з програми Amazon SageMaker Canvas і припинити споживання Години роботи екземплярів робочої області SageMaker Canvas і звільнити всі ресурси.
Цитата
[1] Фрайван М., Фаурі Е. Про автоматичне виявлення та класифікацію раку шкіри за допомогою Deep Transfer Learning. Датчики (Базель). 2022 30 червня; 22 (13): 4963. doi: 10.3390/s22134963. PMID: 35808463; PMCID: PMC9269808.
Висновок
У цій публікації ми показали вам, як аналіз медичного зображення за допомогою методів ML може прискорити діагностику раку шкіри та його застосування для діагностики інших захворювань. Однак створення моделей ML для класифікації зображень часто є складним і трудомістким, вимагає досвіду кодування та знань ML. Amazon SageMaker Canvas вирішив цю проблему, надавши візуальний інтерфейс, який усуває потребу в програмуванні чи спеціальних навичках ML. Це дає змогу медичним працівникам використовувати ML без крутої кривої навчання, дозволяючи їм зосередитися на догляді за пацієнтами.
Традиційний процес розробки моделі виявлення раку є громіздким і трудомістким. Він передбачає збір спеціального набору даних, попередню обробку зображень, навчання моделі ML, оцінку її продуктивності та інтеграцію в зручний інструмент для медичних працівників. Amazon SageMaker Canvas спростив кроки від попередньої обробки до інтеграції, що зменшило час і зусилля, необхідні для створення моделі виявлення раку шкіри.
У цій публікації ми розповіли про потужні можливості Amazon SageMaker Canvas у класифікації медичних зображень, проливши світло на його переваги та представивши випадки використання в реальному світі, які демонструють його глибокий вплив на медичну діагностику. Одним із таких переконливих прикладів використання, який ми досліджували, було виявлення раку шкіри та те, як рання діагностика часто значно покращує результати лікування та знижує витрати на охорону здоров’я.
Важливо визнати, що точність моделі може змінюватися залежно від таких факторів, як розмір навчального набору даних і конкретний тип моделі, що використовується. Ці змінні відіграють роль у визначенні продуктивності та надійності результатів класифікації.
Amazon SageMaker Canvas може служити безцінним інструментом, який допомагає медичним працівникам діагностувати захворювання з більшою точністю та ефективністю. Однак важливо зазначити, що він не призначений для заміни досвіду та оцінки медичних працівників. Скоріше це дає їм змогу, розширюючи їхні можливості та дозволяючи точніше та швидше діагностувати. Людський фактор залишається важливим у процесі прийняття рішень, а співпраця між медичними працівниками та інструментами штучного інтелекту (AI), зокрема Amazon SageMaker Canvas, має ключове значення для забезпечення оптимального догляду за пацієнтами.
Про авторів
Рамакант Джоші є архітектором рішень AWS, який спеціалізується на аналітиці та безсерверному домені. Він має досвід розробки програмного забезпечення та гібридних архітектур, і він захоплено допомагає клієнтам модернізувати їхню хмарну архітектуру.
Джейк Вен є архітектором рішень в AWS, яким керує пристрасть до машинного навчання, обробки природної мови та глибокого навчання. Він допомагає корпоративним клієнтам досягти модернізації та масштабованого розгортання в хмарі. Окрім світу технологій, Джейк знаходить задоволення у катанні на скейтборді, піших прогулянках і пілотуванні дронів.
Сону Кумар Сінгх є архітектором рішень AWS зі спеціалізацією в галузі аналітики. Він відіграв важливу роль у каталізуванні трансформаційних змін в організаціях, дозволяючи приймати рішення на основі даних, сприяючи таким чином інноваціям і зростанню. Йому подобається, коли щось, що він задумав чи створив, справляє позитивний вплив. В AWS його намір полягає в тому, щоб допомогти клієнтам отримати переваги з понад 200 хмарних сервісів AWS і розширити їх можливості в їхній хмарній подорожі.
Даріуш Азімі є архітектором рішень в AWS, спеціалізується на машинному навчанні, обробці природної мови (NLP) і архітектурі мікросервісів у Kubernetes. Його місія полягає в тому, щоб надати організаціям можливість використовувати весь потенціал своїх даних за допомогою комплексних наскрізних рішень, що охоплюють можливості зберігання, доступності, аналізу та прогнозування даних.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- : має
- :є
- :де
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- здатність
- Здатний
- МЕНЮ
- академічний
- доступ
- доступність
- доступною
- рахунки
- точність
- точний
- точно
- досягнення
- визнавати
- фактичний
- адреса
- адресований
- просування
- просунутий
- досягнення
- AI
- Aid
- AIR
- алгоритми
- ВСІ
- Дозволити
- дозволяє
- Також
- Amazon
- Amazon SageMaker
- Canvas Amazon SageMaker
- Amazon Web Services
- американська
- an
- аналіз
- аналітика
- та
- будь-який
- додаток
- підхід
- архітектура
- ЕСТЬ
- навколо
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- AS
- допомагає
- асоційований
- At
- автоматизувати
- автоматичний
- автоматично
- AWS
- Backend
- фон
- фони
- Balance
- бар'єр
- заснований
- Базель
- BE
- оскільки
- було
- Вірити
- нижче
- Переваги
- КРАЩЕ
- Краще
- між
- За
- border
- дно
- Box
- Приносить
- ширше
- будувати
- Створюємо
- Будує
- button
- by
- званий
- CAN
- рак
- полотно
- можливості
- який
- обережно
- випадок
- випадків
- каталізуючий
- категорії
- Клітини
- Центр
- певний
- виклик
- проблеми
- шанс
- шанси
- зміна
- характеристика
- вибір
- Вибирати
- Вибираючи
- клас
- класів
- класифікація
- клініцисти
- хмара
- хмарні сервіси
- код
- Кодування
- співробітництво
- збір
- color
- Колонка
- комбінації
- загальний
- переконливий
- повний
- Завершує
- комплекс
- всеосяжний
- комп'ютер
- Комп'ютерне бачення
- концепція
- Умови
- підтвердження
- Підтверджено
- Консенсус
- складається
- Консоль
- споживання
- зміст
- сприяти
- виправити
- Відповідний
- витрати
- може
- створювати
- створений
- створення
- створення
- вирішальне значення
- громіздкий
- Куратор
- крива
- Клієнти
- Небезпечний
- дані
- зберігання даних
- керовані даними
- Всесвіт даних
- смерть
- Прийняття рішень
- рішення
- глибокий
- глибоке занурення
- глибоке навчання
- захват
- демократизація
- демонструвати
- Залежно
- розгортання
- розгортання
- описаний
- призначений
- бажаний
- докладно
- виявляти
- виявлено
- Виявлення
- певний
- визначення
- розвиненою
- розвивається
- розробка
- Діалог
- різний
- диференціювати
- безпосередньо
- обговорювати
- Захворювання
- хвороби
- розрізняти
- занурення
- do
- Лікар
- Лікарі
- справи
- домен
- скачати
- різко
- керований
- Дронів
- e
- кожен
- Раніше
- Рано
- Ефективний
- ефективність
- зусилля
- елемент
- Усуває
- працевлаштований
- уповноважувати
- повноваження
- дозволяє
- дозволяє
- охоплюючий
- кінець в кінець
- Підсилює
- забезпечувати
- підприємство
- істотний
- оцінка
- оцінювати
- Обстежує
- прискорити
- Експерименти
- експерт
- експертиза
- дослідити
- Розвіданий
- обширний
- витяг
- f1
- стикаються
- фактори
- false
- далеко
- особливість
- кілька
- поле
- Рисунок
- філе
- знахідки
- Перший
- Сфокусувати
- після
- для
- вихователі
- знайдений
- фракція
- від
- Повний
- функціональність
- далі
- розрив
- збір
- Загальне
- породжувати
- генерує
- отримати
- даний
- великий
- Земля
- Зростання
- керівництво
- збруя
- Гарвард
- Мати
- he
- охорона здоров'я
- здоровий
- допомога
- допомогу
- Виділіть
- його
- хіт
- тримає
- ГОДИННИК
- Як
- How To
- Однак
- HTML
- HTTPS
- людина
- Людський елемент
- Сотні
- гібрид
- i
- ідеальний
- ідентифікований
- ідентифікує
- ідентифікувати
- Особистість
- if
- зображення
- Класифікація зображень
- зображень
- Impact
- Вплив
- імпорт
- важливо
- удосконалювати
- поліпшений
- in
- includes
- У тому числі
- Включно
- Збільшує
- початковий
- інновація
- розуміння
- екземпляр
- інструментальний
- інтегрувати
- інтеграція
- Інтелект
- призначених
- Намір
- інтерфейс
- Інтерфейси
- в
- безцінний
- IT
- ЙОГО
- сам
- подорож
- JPG
- ключ
- знання
- Кумар
- етикетка
- маркування
- мова
- великий
- Веде за собою
- вивчення
- залишити
- світло
- як
- список
- список
- журнал
- машина
- навчання за допомогою машини
- зробити
- управління
- багато
- математичний
- Може..
- вимір
- заходи
- медичний
- методика
- Метрика
- Мікроскопія
- мікросервіс
- мінімізує
- хвилин
- відсутній
- Місія
- ML
- модель
- Моделі
- модернізувати
- моніторинг
- більше
- Більше того
- найбільш
- множинний
- ім'я
- Імена
- Природний
- Обробка природних мов
- природа
- Переміщення
- навігація
- Необхідність
- нужденних
- потреби
- негативах
- Нові
- наступний
- NIH
- nlp
- зараз
- NV
- об'єкти
- of
- часто
- on
- один раз
- ONE
- Відкриється
- оптимальний
- варіант
- Опції
- or
- організації
- Інше
- наші
- з
- Результати
- викладені
- вихід
- над
- загальний
- власний
- сторінка
- pane
- пристрасть
- пристрасний
- пацієнт
- pacientes
- для
- продуктивність
- виступає
- Дозволи
- Вибори
- пілотування
- основний
- планування
- plato
- Інформація про дані Платона
- PlatoData
- Play
- відіграє
- будь ласка
- точок
- спливаючий
- позитивний
- це можливо
- пошта
- потенціал
- потенційно
- влада
- потужний
- необхідність
- Точність
- передвіщений
- прогноз
- Прогнози
- Прогнози
- представити
- розставляє пріоритети
- процедура
- процес
- обробка
- професіонали
- глибокий
- частка
- забезпечувати
- забезпечує
- забезпечення
- опублікований
- цілей
- Швидко
- швидко
- радіо
- діапазон
- швидше
- Реальний світ
- царство
- відновлення
- зменшити
- Знижений
- знижує
- послатися
- відноситься
- звільнити
- доречний
- надійність
- залишається
- замінювати
- представник
- вимагати
- вимагається
- Вимагається
- дослідження
- Дослідники
- ресурси
- REST
- результати
- право
- Роль
- пробіжки
- мудрець
- говорить
- масштабовані
- рахунок
- подряпати
- Екран
- екранування
- другий
- розділ
- побачити
- обраний
- датчиків
- Серія
- серйозний
- служити
- Без сервера
- служить
- обслуговування
- Послуги
- комплект
- сім
- Форма
- поділ
- Зміни
- Повинен
- демонстрації
- показав
- показаний
- Шоу
- значний
- істотно
- простий
- спрощений
- спростити
- один
- Розмір
- навички
- Шкіра
- Софтвер
- розробка програмного забезпечення
- сонячний
- рішення
- Рішення
- що в сім'ї щось
- спеціалізований
- спеціалізується
- конкретний
- швидкість
- standard
- старт
- Починаючи
- починається
- стан
- Статус
- Крок
- заходи
- Стоп
- зберігання
- Вивчення
- успішний
- Успішно
- такі
- пропонувати
- Переконайтеся
- хірургічний
- підозрілі
- приймає
- взяття
- технології
- технічний
- методи
- тест
- Тести
- текст
- ніж
- Що
- Команда
- їх
- Їх
- потім
- Там.
- тим самим
- Ці
- вони
- це
- ті
- тисячі
- через
- час
- Часовий ряд
- трудомісткий
- своєчасно
- до
- інструмент
- інструменти
- tp
- традиційний
- поїзд
- навчений
- Навчання
- поїзда
- переклад
- перетворювальний
- лікування
- лікування
- правда
- Правда
- намагатися
- два
- тип
- Типи
- типово
- Зрештою
- при
- пройти
- створеного
- непотрібний
- Використання
- використання
- використання випадку
- використовуваний
- зручно
- використання
- Цінний
- значення
- різноманітність
- різний
- перевірити
- вид
- видимий
- бачення
- життєво важливий
- чекати
- хотіти
- було
- годинник
- we
- Web
- веб-сервіси
- були
- коли
- Чи
- який
- ВООЗ
- вікно
- з
- в
- без
- Семінари
- світ
- лист
- рік
- Ти
- вашу
- зефірнет
- Zip