这是由 T and T Consulting Services, Inc. 的首席数据科学家 Nitin Kumar 撰写的客座博客文章。
在这篇文章中,我们讨论联邦学习在医疗保健领域的价值和潜在影响。这种方法可以帮助心脏病患者、医生和研究人员更快地诊断、丰富的决策以及针对中风相关健康问题开展更明智、更具包容性的研究工作,并使用云原生方法和 AWS 服务实现轻量级提升和直接采用。
心脏病的诊断挑战
统计来自 疾病控制和预防中心 美国疾病预防控制中心 (CDC) 的数据显示,美国每年有超过 795,000 人首次中风,其中约 25% 的人会反复发作。根据统计,这是第五大死因 美国中风协会 也是美国残疾的主要原因。因此,及时诊断和治疗以减少急性中风患者的脑损伤和其他并发症至关重要。
CT 和 MRI 是对中风不同亚型进行分类的成像技术的黄金标准,在对患者进行初步评估、确定根本原因和治疗过程中至关重要。这里的一个关键挑战,特别是在急性中风的情况下,是影像诊断的时间,平均范围为 30 分钟至 XNUMX 小时 根据急诊科的拥挤情况,时间可能会更长。
医生和医务人员需要快速、准确的图像诊断来评估患者的病情并提出治疗方案。用 Werner Vogels 博士的话来说 AWS re:Invent 2023,“一个人中风的每一秒都很重要。”中风患者若不接受治疗,每秒钟就会损失约 1.9 亿个神经元。
医疗数据限制
您可以使用机器学习 (ML) 协助医生和研究人员完成诊断任务,从而加快该过程。然而,构建机器学习模型并提供可靠结果所需的数据集位于不同医疗保健系统和组织的孤岛中。这些孤立的遗留数据如果累积起来可能会产生巨大的影响。那么为什么还没有被使用呢?
使用医疗领域数据集和构建机器学习解决方案时面临多种挑战,包括患者隐私、个人数据安全以及某些官僚和政策限制。此外,研究机构一直在加强数据共享实践。这些障碍还阻碍了国际研究团队在多样化和丰富的数据集上开展合作,这些数据集可以挽救生命并防止心脏病导致的残疾等好处。
政策法规如 一般数据保护条例 (通用数据保护条例), 健康保险流通与责任法案 (健康保险法案),以及 加州消费者隐私法案 (CCPA) 对医疗领域的数据共享设置了护栏,尤其是患者数据。此外,各个机构、组织和医院的数据集往往太小、不平衡或分布有偏差,导致模型泛化受到限制。
联邦学习:简介
联邦学习 (FL) 是 ML 的一种去中心化形式,是一种动态工程方法。在这种去中心化的 ML 方法中,ML 模型在组织之间共享,用于对专有数据子集进行训练,这与传统的集中式 ML 训练不同,在传统的集中式 ML 训练中,模型通常在聚合数据集上进行训练。数据在组织的防火墙或 VPC 后面受到保护,而模型及其元数据是共享的。
在训练阶段,全局FL模型在单位组织之间传播和同步,用于对各个数据集进行训练,并返回本地训练模型。最终的全局模型可用于为参与者中的每个人进行预测,也可以用作进一步培训的基础,为参与组织构建本地自定义模型。它可以进一步扩展以使其他机构受益。这种方法可以完全消除数据在组织边界之外传输的需要,从而显着降低传输中数据的网络安全要求。
下图说明了一个示例架构。
在以下部分中,我们将讨论联邦学习如何提供帮助。
联合会学习拯救世界(并拯救生命)
对于良好的人工智能 (AI),您需要良好的数据。
在联邦域中常见的旧系统在获取任何情报或将其与新数据集合并之前会带来重大的数据处理挑战。这是向领导者提供有价值情报的障碍。它可能会导致不准确的决策,因为遗留数据的比例有时比新的小数据集更有价值。您希望有效地解决这一瓶颈,并且无需对医院和机构中的旧数据集和新数据集进行手动整合和集成工作(包括繁琐的映射过程),这在许多情况下可能需要数月甚至数年的时间。遗留数据非常有价值,因为它包含准确决策和消息灵通的模型训练所需的重要上下文信息,从而在现实世界中实现可靠的人工智能。数据的持续时间揭示了数据集中的长期变化和模式,否则这些变化和模式将无法被发现并导致有偏见和信息不充分的预测。
打破这些数据孤岛,将分散的数据中未开发的潜力结合起来,可以拯救和改变许多人的生命。它还可以加速与心脏病引起的继发性健康问题相关的研究。该解决方案可以帮助您分享由于政策和其他原因而在机构之间隔离的数据的见解,无论您是医院、研究机构还是其他以健康数据为重点的组织。它可以使研究方向和诊断做出明智的决策。此外,它还通过安全、私有和全球的知识库形成集中的情报存储库。
联邦学习总体上有很多好处,特别是对于医疗数据设置。
安全和隐私功能:
- 让敏感数据远离互联网,但仍将其用于机器学习,并通过差异隐私利用其智能
- 使您能够不仅在机器上而且在网络上构建、训练和部署公正且稳健的模型,而不存在任何数据安全隐患
- 克服多个供应商管理数据的障碍
- 消除跨站点数据共享和全球治理的需要
- 通过差分隐私保护隐私,并通过本地训练提供安全的多方计算
性能改进:
- 解决医学成像领域的小样本量问题和昂贵的标签流程
- 平衡数据的分布
- 使您能够整合最传统的 ML 和深度学习 (DL) 方法
- 使用合并图像集帮助提高统计能力,克服各个机构的样本量限制
韧性的好处:
- 如果任何一方决定离开,都不会影响训练
- 新的医院或机构可以随时加入;它不依赖于任何节点组织的任何特定数据集
- 对于分散在广泛地理位置的遗留数据,不需要大量的数据工程管道
这些功能可以帮助消除在相似领域托管独立数据集的机构之间的隔阂。该解决方案可以利用分布式数据集的统一力量,并通过从根本上改变可扩展性方面来提高效率,而无需繁重的基础设施提升,从而成为力量倍增器。这种方法有助于机器学习充分发挥其潜力,在临床层面(而不仅仅是研究层面)变得精通。
联邦学习的性能与常规 ML 相当,如下所示 实验 作者:NVidia Clara(使用 BRATS2018 数据集在 Medical Modal ARchive (MMAR) 上)。在这里,与使用集中数据进行训练相比,FL 实现了相当的分割性能:在训练多模式、多类脑肿瘤分割任务时,大约 80 个时期的分割性能超过 600%。
最近,联邦学习已经在一些医学子领域的用例中进行了测试,包括患者相似性学习、患者表征学习、表型分析和预测建模。
应用蓝图:联邦学习使之成为可能且简单
要开始使用 FL,您可以从许多高质量数据集中进行选择。例如,具有大脑图像的数据集包括 遵守 (自闭症脑成像数据交换倡议), 阿德尼 (阿尔茨海默病神经影像倡议), 北美放射学会 (北美放射学会)脑 CT, 胸罩 (多模态脑肿瘤图像分割基准)定期更新脑肿瘤分割挑战赛 宾夕法尼亚大学 (宾夕法尼亚大学),英国生物银行(以下 NIH 涵盖) 纸), IXI。同样,对于心脏图像,您可以从多个公开可用的选项中进行选择,包括 ACDC(自动心脏诊断挑战),这是国家医学图书馆在下面提到的带有完整注释的心脏 MRI 评估数据集 纸,以及下面提到的M&M(多中心、多供应商和多疾病)心脏分割挑战 IEEE 纸。
下图显示了 ATLAS R1.1 数据集中主要病变的概率病变重叠图。 (根据研究,中风是脑损伤最常见的原因之一 克利夫兰诊所.)
对于电子健康记录 (EHR) 数据,有一些可用的数据集遵循 快速医疗保健互操作性资源 (FHIR) 标准。该标准可帮助您消除异构、非标准化数据集的某些挑战,从而构建简单的试点,从而实现数据集的无缝且安全的交换、共享和集成。 FHIR 可实现最大程度的互操作性。数据集示例包括 模拟-IV (重症监护医疗信息集市)。目前不是 FHIR 但可以轻松转换的其他高质量数据集包括 医疗保险和医疗补助服务中心 (CMS) 公共使用文件 (PUF) 和 eICU 协作研究数据库 来自麻省理工学院(麻省理工学院)。还有其他资源可提供基于 FHIR 的数据集。
实施 FL 的生命周期可以包括以下内容 步骤:任务初始化、选择、配置、模型训练、客户端/服务器通信、调度和优化、版本控制、测试、部署和终止。为传统机器学习准备医学成像数据需要执行许多耗时的步骤,如下所述 纸。在某些情况下可能需要领域知识来预处理原始患者数据,特别是由于其敏感和私密的性质。对于 FL,这些可以进行整合,有时甚至可以消除,从而节省关键的训练时间并提供更快的结果。
SAP系统集成计划实施
FL 工具和库在广泛的支持下不断发展,使得使用 FL 变得简单,无需繁重的开销。有很多好的资源和框架选项可供入门。您可以参考以下内容 广泛的名单 FL 领域最流行的框架和工具,包括 pysyft, FedML, 花朵, 开放式语言, FATE, TensorFlow联合及 NV耀斑。它提供了初学者项目列表,以便快速入门和构建。
您可以使用以下方式实施云原生方法 亚马逊SageMaker 无缝配合 AWS VPC 对等互连,将每个节点的训练保存在各自 VPC 的私有子网中,并通过私有 IPv4 地址启用通信。此外,模型托管于 亚马逊SageMaker JumpStart 可以通过公开端点 API 而不共享模型权重来提供帮助。
它还消除了本地硬件潜在的高级计算挑战 亚马逊弹性计算云 (亚马逊 EC2)资源。您可以在 AWS 上实施 FL 客户端和服务器: SageMaker 笔记本 和 亚马逊简单存储服务 (Amazon S3),维护对数据和模型的受监管访问 AWS身份和访问管理 (IAM) 角色和使用 AWS安全令牌服务 (AWS STS) 用于客户端安全。您还可以使用 Amazon EC2 为 FL 构建自己的自定义系统。
有关使用 FL 实施的详细概述 花朵 SageMaker 上的框架,以及其与分布式训练的区别的讨论,请参阅 使用 Amazon SageMaker 上的联邦学习通过分散式训练数据进行机器学习.
下图展示了 FL 中迁移学习的架构。
应对 FL 数据挑战
联邦学习有其自身的数据挑战,包括隐私和安全性,但这些挑战很容易解决。首先,您需要解决由跨不同站点和参与组织存储的数据产生的医学成像数据的数据异质性问题,称为 域转移 问题(也称为 客户转移 在 FL 系统中),正如关和刘在下面强调的那样 纸。这可能会导致全局模型收敛的差异。
其他需要考虑的组成部分包括确保数据源的质量和一致性、将专家知识纳入学习过程以激发医疗专业人员对系统的信心以及实现模型精度。有关实施过程中可能面临的一些潜在挑战的更多信息,请参阅以下内容 纸.
AWS 通过 Amazon EC2 的灵活计算和预构建等功能帮助您解决这些挑战 Docker图片 在 SageMaker 中进行简单部署。您可以解决客户端的问题,例如每个节点组织的数据和计算资源不平衡。您可以解决服务器端学习问题,例如来自恶意方的中毒攻击 亚马逊虚拟私有云 (Amazon VPC), 安全小组和其他安全标准,防止客户端损坏并实施 AWS 异常检测服务。
AWS 还通过提供灵活、易于使用且轻松的电梯技术解决方案,帮助解决现实世界的实施挑战,其中包括集成挑战、与当前或旧医院系统的兼容性问题以及用户采用障碍。
借助 AWS 服务,您可以实现大规模基于 FL 的研究以及临床实施和部署,其中可以包括世界各地的各个站点。
最近的互操作性政策强调了联邦学习的必要性
政府最近通过的许多法律都重点关注数据互操作性,增强了情报数据跨组织互操作性的需求。这可以通过使用 FL 来实现,包括像 特富卡 (可信交换框架和共同协议)和扩展 美国CDI (美国互操作性核心数据)。
拟议的想法也有助于疾病预防控制中心的捕获和分配计划 疾病预防控制中心向前迈进。以下引用自 GovCIO 文章 数据共享和人工智能成为联邦卫生机构 2024 年的首要任务 也呼应了类似的主题:“这些功能还可以以公平的方式支持公众,满足患者所在的位置并解锁对这些服务的关键访问权限。这项工作的大部分内容都取决于数据。”
这可以帮助全国(乃至全球)的医疗机构和机构处理数据孤岛。他们可以受益于无缝、安全的集成和数据互操作性,使医疗数据可用于基于机器学习的有效预测和模式识别。您可以从图像开始,但该方法也适用于所有 EHR。我们的目标是为数据利益相关者找到最佳方法,通过云原生管道对数据进行规范化和标准化或直接将其用于 FL。
让我们探讨一个示例用例。心脏病成像数据和扫描分散在全国和世界各地,分布在研究所、大学和医院的孤立孤岛中,并被官僚、地理和政治边界隔开。没有单一的聚合来源,医疗专业人员(非程序员)也没有简单的方法可以从中提取见解。与此同时,根据这些数据训练 ML 和 DL 模型并不可行,这可以帮助医疗专业人员在关键时刻做出更快、更准确的决策,因为心脏扫描可能需要几个小时才能完成,而患者的生命可能悬而未决。平衡。
其他已知的用例包括 POTS (采购在线跟踪系统)位于 美国国立卫生研究院 (美国国立卫生研究院)和网络安全,满足全球 COMCOM/MAJCOM 地点的分散和分层情报解决方案需求。
结论
联合学习为传统医疗数据分析和智能带来了巨大的希望。使用 AWS 服务实施云原生解决方案非常简单,FL 对于面临遗留数据和技术挑战的医疗组织特别有帮助。 FL 可能对整个治疗周期产生潜在影响,现在随着大型联邦组织和政府领导人对数据互操作性的关注,情况更是如此。
该解决方案可以帮助您避免重新发明轮子,并使用最新技术从遗留系统中实现飞跃,并在这个不断发展的人工智能世界中处于最前沿。您还可以成为卫生领域及其他领域的机构和研究所内部和之间数据互操作性最佳实践和有效方法的领导者。如果您是一个数据孤岛分散在全国各地的机构或机构,您可以从这种无缝且安全的集成中受益。
本文中的内容和观点属于第三方作者,AWS 不对本文的内容或准确性负责。每个客户都有责任确定他们是否受 HIPAA 约束,如果是,如何最好地遵守 HIPAA 及其实施法规。在将 AWS 与受保护的健康信息结合使用之前,客户必须输入 AWS 业务伙伴附录 (BAA) 并遵循其配置要求。
关于作者
尼丁·库玛(Nitin Kumar) (硕士,卡耐基梅隆大学) 是 T and T Consulting Services, Inc. 的首席数据科学家。他在研发原型、健康信息学、公共部门数据和数据互操作性方面拥有丰富的经验。他将尖端研究方法的知识应用于联邦部门,以交付创新的技术论文、POC 和 MVP。他曾与多个联邦机构合作,推进他们的数据和人工智能目标。 Nitin 的其他重点领域包括自然语言处理 (NLP)、数据管道和生成人工智能。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/enable-data-sharing-through-federated-learning-a-policy-approach-for-chief-digital-officers/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 000
- 1
- 100
- 116
- 130
- 600
- 7
- 9
- a
- 关于
- 加快
- ACCESS
- 根据
- 问责制
- 精准的
- 实现
- 实现
- ACM
- 横过
- 另外
- 地址
- 地址
- 解决
- 采用
- 推进
- 机构
- 机构
- 汇总
- 协议
- AI
- 所有类型
- 允许
- 还
- 阿尔茨海默氏症
- Amazon
- Amazon EC2
- 亚马逊网络服务
- 美国
- 其中
- an
- 分析
- 和
- 异常检测
- 任何
- API
- 相应
- 适用
- 的途径
- 约
- 架构
- 档案
- 保健
- 地区
- 产生
- 围绕
- 刊文
- 人造的
- 人工智能
- 人工智能(AI)
- AS
- 方面
- 评定
- 协助
- 律师
- At
- 攻击
- 作者
- 自闭症
- 自动表
- 可使用
- 避免
- 远离
- AWS
- 当前余额
- 基地
- BE
- 因为
- 成为
- 成为
- 很
- before
- 背后
- 作为
- 基准
- 得益
- 好处
- 最佳
- 最佳实践
- 之间
- 超越
- 偏
- 亿
- 博客
- 蓝图
- 加强
- 瓶颈
- 边界
- 大脑
- 带来
- 建立
- 建筑物
- 官僚主义
- 商业
- 但是
- by
- CA
- CAN
- 能力
- 捕获
- 关心
- 案件
- 例
- 原因
- 原因
- CCPA
- 疾病预防控制中心
- 集中
- 一定
- 挑战
- 挑战
- 首席
- 克拉拉
- 客户
- 临床资料
- CMS
- 共同
- 如何
- 购买的订单均
- 相当常见
- 沟通
- 可比
- 相比
- 兼容性
- 执行
- 组件
- 计算
- 计算
- 流程条件
- 信心
- 配置
- 地都
- 考虑
- 合并
- 约束
- 咨询
- 消费者
- 消费者隐私
- 内容
- 上下文
- 有助于
- 控制
- 收敛
- 转换
- 核心
- 腐败
- 昂贵
- 可以
- 国家
- 覆盖
- 危急
- 关键
- 麻烦的
- 电流
- 目前
- 习俗
- 合作伙伴
- 前沿
- 网络安全
- 周期
- 损伤
- data
- 数据分析
- 数据交换
- 数据处理
- 数据保护
- 数据科学家
- 数据安全
- 数据共享
- 数据集
- 天
- 死亡
- 分散
- 决策
- 决定
- 深
- 深入学习
- 交付
- 问题类型
- 根据
- 部署
- 部署
- 漂移
- 描述
- 详细
- 检测
- 确定
- 确定
- 诊断
- 图表
- 差异
- 不同
- 数字
- 方向
- 直接
- 残疾人
- 讨论
- 讨论
- 疾病
- 分布
- 分布式培训
- 分配
- 不同
- 医生
- 域
- 域名
- 向下
- dr
- 两
- 为期
- ,我们将参加
- 动态
- 每
- 容易
- 易
- 易于使用
- 呼应
- 只
- 效率
- 高效
- 毫不费力
- 工作的影响。
- 电子
- 电子健康记录
- 淘汰
- 紧急
- enable
- 使
- 使
- 端点
- 工程师
- 丰富
- 保证
- 输入
- 整个
- 时代
- 公平
- 特别
- 评估
- 甚至
- 所有的
- 每个人
- 例子
- 例子
- 交换
- 扩大
- 体验
- 技术专家
- 探索
- 扩展
- 广泛
- 丰富的经验
- 提取
- 面部彩妆
- 快
- 可行
- 特征
- 联邦
- 联盟的
- 少数
- 部分
- 图
- 档
- 最后
- 找到最适合您的地方
- 防火墙
- 姓氏:
- 五
- 柔软
- 专注焦点
- 遵循
- 以下
- 针对
- 力
- 第一线
- 申请
- 发现
- 骨架
- 框架
- 频繁
- 止
- ,
- 进一步
- 此外
- 《通用数据保护条例》(GDPR)
- 其他咨询
- 通常
- 生成的
- 生成式人工智能
- 地域
- 得到
- 给
- 全球
- 地球
- Go
- 目标
- 理想中
- 黄金
- 最高标准
- 非常好
- 政府
- 政府领导
- 大
- 长大的
- 客人
- 硬件
- 吊带
- 治理
- 有
- he
- 健康管理
- 健康资讯
- 医疗保健
- 胸襟
- 重
- 帮助
- 有帮助
- 帮助
- 此处
- 高水平
- 高品质
- 近期亮点
- 突出
- 阻碍
- 他的
- 持有
- 医院
- 医院
- 托管
- HOURS
- 创新中心
- 但是
- HTML
- HTTP
- HTTPS
- 跨栏
- 主意
- 身分
- IEEE
- if
- 说明
- 说明
- 图片
- 图片
- 同步成像
- 影响力故事
- 有影响力的
- 实施
- 履行
- 实施
- 重要
- 改善
- 改善
- 改善
- in
- 不准确
- 公司
- 包括
- 包含
- 包容
- 合并
- 结合
- 个人
- 信息
- 通知
- 运筹学
- 基础设施
- 倡议
- 创新
- 可行的洞见
- 启发
- 研究所
- 机构
- 保险
- 积分
- 房源搜索
- 国际
- 网络
- 互操作性
- 成
- 孤立
- 问题
- IT
- 它的
- 加入
- JPEG
- JPG
- 只是
- 保持
- 知识
- 已知
- 库马尔
- 标签
- 语言
- 大
- 大规模
- 最新
- 法律
- 铅
- 领导者
- 领导人
- 领导
- 飞跃
- 学习
- 离开
- 遗产
- Level
- 库
- 自学资料库
- 生活
- 生命周期
- 轻巧
- 喜欢
- 局限性
- 清单
- 生活
- 本地
- 地点
- 长期
- 不再
- 失去
- 占地
- 机
- 机器学习
- 机
- 保持
- 使
- 制作
- 制作
- 恶意
- 管理的
- 手册
- 许多
- 地图
- 制图
- 美国马萨诸塞州
- 麻省理工学院
- 大规模
- 最多
- 可能..
- 医生
- 医疗数据
- 纽约红蓝卡
- 药物
- 会议
- 提到
- 合并
- 元数据
- 方法
- 可能
- 分钟
- 麻省理工学院简介
- ML
- 模型
- 造型
- 模型
- 更多
- 最先进的
- 最受欢迎的产品
- 移动
- MRI
- 许多
- 多方
- 多
- 必须
- 最有价值球员
- National
- 国立卫生研究院
- 自然
- 自然语言处理
- 自然
- 需求
- 打印车票
- 需要
- 网络
- 神经元
- 全新
- 较新
- 美国国立卫生研究院
- NLP
- 没有
- 节点
- 北
- 北美
- 现在
- 数
- Nvidia公司
- 障碍
- 障碍
- of
- 提供
- 提供
- 优惠精选
- 人员
- 经常
- on
- 一
- 在线
- 意见
- 优化
- 附加选项
- or
- 组织
- 组织
- 其他名称
- 除此以外
- 学校以外
- 超过
- 克服
- 开销
- 交叠
- 简介
- 己
- 纸类
- 文件
- 与会者
- 参与
- 各方
- 党
- 通过
- 病人
- 患者
- 模式
- 模式
- 宾夕法尼亚
- 员工
- 性能
- 人
- 个人
- 个人资料
- 相
- 飞行员
- 管道
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 中毒
- 政策
- 政策
- 政治
- 热门
- 可移植性
- 提出
- 可能
- 帖子
- 潜力
- 功率
- 权力
- 做法
- 平台精度
- 预测
- 初步
- 准备
- 防止
- 预防
- 小学
- 隐私
- 隐私和安全
- 私立
- 市场问题
- 问题
- 过程
- 过程
- 处理
- 专业人士
- 项目
- 承诺
- 比例
- 提供
- 建议
- 所有权
- 保护
- 保护
- 原型
- 提供
- 优
- 国家
- 公然
- 购买
- 放
- 质量
- 快速
- 很快
- 相当
- 报价
- 研发
- 根本
- 范围
- 原
- RE
- 达到
- 真实
- 真实的世界
- 原因
- 最近
- 承认
- 记录
- 经常性的
- 减少
- 参考
- 简称
- 定期
- 经常
- 监管
- 法规
- 有关
- 可靠
- 删除
- 知识库
- 表示
- 岗位要求
- 研究
- 研究机构
- 研究人员
- 解决
- 资源
- 那些
- 责任
- 提供品牌战略规划
- 限制
- 导致
- 成果
- 丰富
- 健壮
- 角色
- 根
- sagemaker
- 同
- 样品
- 保存
- 保存
- 可扩展性
- 扫描
- 零落
- 情景
- 调度
- 科学家
- 无缝的
- 无缝
- 其次
- 次
- 部分
- 扇形
- 安全
- 保安
- 安全令牌
- 分割
- 选择
- 敏感
- 服务器
- 特色服务
- 套数
- 设置
- 几个
- Share
- 共用的,
- 共享
- 显示
- 如图
- 显著
- 显著
- 筒仓
- 类似
- 同样
- 简易
- 单
- 网站
- 坐在
- 尺寸
- 小
- So
- 社会
- 方案,
- 解决方案
- 一些
- 有时
- 来源
- 太空
- 具体的
- 特别是
- 团队
- 利益相关者
- 标准
- 标准
- 开始
- 开始
- 州
- 统计
- 步骤
- 仍
- 存储
- 存储
- 简单的
- 主题
- 子网
- SUPPORT
- 系统
- 产品
- 采取
- 需要
- 任务
- 任务
- 队
- 科技
- 文案
- 技术
- 专业技术
- tensorflow
- 测试
- 测试
- 比
- 这
- 世界
- 其
- 他们
- 主题
- 那里。
- 从而
- 因此
- 博曼
- 他们
- 第三方
- Free Introduction
- 那些
- 通过
- 紧缩
- 次
- 时
- 至
- 一起
- 象征
- 也有
- 工具
- 最佳
- 向
- 跟踪
- 传统
- 培训
- 熟练
- 产品培训
- 火车
- 转让
- 改造
- 转型
- 过境
- 治疗
- 治疗
- 信任
- Uk
- 不偏不倚
- 下
- 统一
- 单元
- 团结
- 联合的
- 美国
- 大学合作伙伴
- 大学
- 不像
- 解锁
- 未开发
- 更新
- 上
- us
- 可用
- 使用
- 用例
- 用过的
- 用户
- 用户采用
- 使用
- 运用
- 有价值
- 折扣值
- 变化
- 各个
- 厂商
- 通过
- 受害者
- 在线会议
- 想
- 方法..
- we
- 卷筒纸
- Web服务
- 井
- 轮
- ,尤其是
- 是否
- 这
- 而
- 为什么
- 广泛
- 中
- 也完全不需要
- 话
- 工作
- 工作
- 加工
- 合作
- 世界
- 将
- 书面
- 年
- 年
- 但
- 完全
- 您一站式解决方案
- 和风网