Isegi pärast enam kui sada aastat pärast selle kasutuselevõttu on histoloogia endiselt kasvaja diagnoosimise ja prognoosimise kullastandard. Anatoomilised patoloogid hindavad histoloogiat, et kihistada vähipatsiendid erinevatesse rühmadesse sõltuvalt nende kasvaja genotüüpidest ja fenotüüpidest ning nende kliinilisest tulemusest [1,2, 3]. Inimeste hindamine histoloogilistele slaididele on aga subjektiivne ja seda ei saa korrata [XNUMX]. Lisaks on histoloogiline hindamine aeganõudev protsess, mis nõuab kõrgelt koolitatud spetsialiste.
Viimase kümnendi märkimisväärse tehnoloogilise eduga on sellised tehnikad nagu terve slaidi kujutis (WSI) ja süvaõpe (DL) nüüd laialdaselt kättesaadavad. WSI on tavapäraste mikroskoopiaklaaside skaneerimine, et saada nendest slaididest üks kõrge eraldusvõimega kujutis. See võimaldab digiteerida ja koguda suuri patoloogiapiltide komplekte, mis oleks olnud ülemäära aeganõudev ja kulukas. Selliste andmekogumite kättesaadavus loob uusi ja uuenduslikke viise diagnoosimise kiirendamiseks, kasutades selliseid tehnikaid nagu masinõpe (ML), et aidata patoloogidel kiirendada diagnoose, tuvastades kiiresti huvipakkuvad tunnused.
Selles postituses uurime, kuidas saavad kasutada arendajad, kellel pole varasemat ML-i kogemust Amazon Rekognitioni kohandatud sildid et treenida mudelit, mis klassifitseerib rakulisi funktsioone. Amazon Rekognitioni kohandatud sildid on funktsioon Amazon Rekognitsioon mis võimaldab teil luua oma spetsiaalsed ML-põhised pildianalüüsi võimalused, et tuvastada ainulaadseid objekte ja stseene, mis on teie konkreetse kasutusjuhtumi lahutamatu osa. Eelkõige kasutame koerte rinnanäärme kartsinoomi terveid slaidipilte [1] sisaldavat andmekogumit, et näidata, kuidas neid pilte töödelda ja mitootilisi figuure tuvastavat mudelit treenida. Seda andmestikku on kasutatud prof dr Marc Aubreville'i loal, kes on lahkelt lubanud meil seda selle postituse jaoks kasutada. Lisateabe saamiseks vaadake selle postituse lõpus olevat tänuavalduste jaotist.
Lahenduse ülevaade
Lahendus koosneb kahest komponendist:
- Amazon Rekognitioni kohandatud siltide mudel — Selleks, et Amazon Rekognition saaks mitootilisi figuure tuvastada, teeme järgmised sammud.
- Proovige WSI andmestikku, et toota selle abil sobiva suurusega kujutisi Amazon SageMaker Studio ja Jupyteri sülearvutis töötav Pythoni kood. Studio on veebipõhine integreeritud arenduskeskkond (IDE) ML-i jaoks, mis pakub kõiki tööriistu, mida vajate mudelite katsetamiseks tootmiseks viimiseks, suurendades samal ajal tootlikkust. Kasutame Studiot piltide jagamiseks väiksemateks, et oma mudelit treenida.
- Treenige Amazon Rekognitioni kohandatud etikettide mudelit, et tuvastada mitootilised kujundid hematoksüliin-eosiini proovides, kasutades eelmises etapis koostatud andmeid.
- Esiliidese rakendus — Et näidata, kuidas kasutada eelmises etapis koolitatud mudelit, teeme järgmised sammud:
Järgnev diagramm illustreerib lahenduse arhitektuuri.
Kõik selles postituses käsitletud juurutamise ja kogu jaotise koodi juurutamiseks vajalikud ressursid on saadaval aadressil GitHub. Saate hoidla kloonida või hargida, teha soovitud muudatusi ja seda ise käivitada.
Järgmistes etappides käime läbi koodi, et mõista erinevaid samme, mis on seotud andmete hankimise ja ettevalmistamisega, mudeli koolitamisega ja näidisrakenduse kasutamisega.
kulud
Selle juhendi toimingute tegemisel tekivad teile väikesed kulud järgmiste AWS-teenuste kasutamise eest.
- Amazon Rekognitsioon
- AWS Fargate
- Rakenduse koormuse tasakaalustaja
- AWS-i saladuste haldur
Lisaks võivad teil tekkida kulud järgmistest teenustest, kui need ei ole enam vaba taseme perioodi või tingimuste jooksul.
- CodePipeline
- CodeBuild
- Amazon ECR
- Amazon SageMaker
Kui teete pärast selle juhendi lõpetamist puhastustoimingud õigesti, võite eeldada, et kulud jäävad alla 10 USD, kui Amazon Rekognitioni kohandatud siltide mudel ja veebirakendus töötavad ühe tunni või vähem.
Eeldused
Kõigi toimingute lõpuleviimiseks vajate järgmist.
Mitootilise figuuri klassifikatsiooni mudeli treenimine
Teostame kõik toimingud, mis on vajalikud mudeli treenimiseks Studio sülearvutist. Kui te pole kunagi varem Studiot kasutanud, peate võib-olla seda tegema pardal esiteks. Lisateabe saamiseks vt Kiiresti Amazon SageMaker Studiosse.
Mõned järgmistest sammudest nõuavad rohkem RAM-i kui see, mis on saadaval tavalises ml.t3.medium sülearvutis. Veenduge, et olete valinud ml.m5.suure märkmiku. Peaksite lehe paremas ülanurgas nägema tähist 2 vCPU + 8 GiB.
Selle jaotise kood on saadaval kujul a Jupyteri märkmiku fail.
Pärast Studiosse sisenemist järgige neid juhiseid et anda Studiole vajalikud load teie nimel Amazon Rekognitionile helistamiseks.
Sõltuvad
Alustuseks peame täitma järgmised sammud:
- Värskendage Linuxi pakette ja installige vajalikud sõltuvused, näiteks OpenSlide:
- Installige fastai- ja SlideRunner-teegid pipi abil:
- Laadige alla andmestik (selle automaatseks tegemiseks pakume skripti):
Töötle andmestikku
Alustuseks impordime mõned paketid, mida kasutame andmete ettevalmistamise etapis. Seejärel laadime alla ja laadime selle andmekogumi annotatsioonide andmebaasi. See andmebaas sisaldab mitootiliste figuuride (tunnused, mida tahame klassifitseerida) positsioone tervetel slaidipiltidel. Vaadake järgmist koodi:
Kuna me kasutame SageMakerit, loome uue SageMakeri istung eesmärk on hõlbustada selliseid toiminguid nagu meie andmestiku üleslaadimine an Amazoni lihtne salvestusteenus (Amazon S3) kopp. Samuti kasutame töödeldud pildifailide üleslaadimiseks S3 ämbrit, mille SageMaker vaikimisi loob.
. slidelist_test
massiiv sisaldab nende slaidide ID-sid, mida kasutame testandmestiku osana koolitatud mudeli toimivuse hindamiseks. Vaadake järgmist koodi:
Järgmine samm on hankida koolitusalade komplekt ja testimisslaidid koos nendes olevate siltidega, millest saame võtta väiksemaid alasid, mida oma mudeli treenimiseks kasutada. Get_slides kood on failis sampling.py GitHub.
Soovime treening- ja testislaididelt juhuslikult proovi võtta. Kasutame treening- ja testslaidide loendeid ning valime juhuslikult n_training_images
korda faili koolituseks ja n_test_images
korda faili testimiseks:
Järgmisena loome kataloogi treeningpiltide jaoks ja ühe testpiltide jaoks:
Enne mudeli treenimiseks vajalike väiksemate piltide loomist vajame abikoodi, mis toodab koolitus- ja katseandmete kirjeldamiseks vajalikke metaandmeid. Järgmine kood tagab, et huvipakkuvaid objekte (mitootilisi figuurid) ümbritsev antud piirdekast on täpselt tsoonis, mida me lõikame, ning loob JSON-i rea, mis kirjeldab pilti ja selles olevaid funktsioone. Amazon SageMaker Ground Truth vormingus, mida Amazon Rekognitioni kohandatud sildid nõuavad. Selle objekti tuvastamise manifesti faili kohta lisateabe saamiseks vt Objekti lokaliseerimine manifestifailides.
Koos generate_annotations
Kui funktsioon on paigas, saame koolitus- ja katsepiltide loomiseks kirjutada koodi:
Viimane samm kõigi vajalike andmete saamiseks on a kirjutamine manifest.json
fail iga andmestiku jaoks:
Edastage failid S3-sse
Me kasutame upload_data
meetod, mille SageMakeri seansiobjekt paljastab piltide ja manifestifailide üleslaadimiseks SageMaker S3 vaikeämbrisse:
Treenige Amazon Rekognitioni kohandatud siltide mudelit
Kuna andmed on juba Amazon S3-s, saame hakata kohandatud mudelit treenima. Kasutame Amazon Rekognitioni kliendi loomiseks ja projekti loomiseks Boto3 teeki:
Kui projekt on kasutamiseks valmis, vajate nüüd projekti versiooni, mis osutab Amazon S3 koolitus- ja testiandmetele. Iga versioon viitab ideaalis erinevatele andmekogumitele (või selle erinevatele versioonidele). See võimaldab meil kasutada mudeli erinevaid versioone, võrrelda nende toimivust ja vajadusel nende vahel vahetada. Vaadake järgmist koodi:
Pärast projekti versiooni loomist käivitab Amazon Rekognition automaatselt koolitusprotsessi. Treeningu aeg sõltub mitmest funktsioonist, nagu piltide suurus ja nende arv, tundide arv jne. Sellisel juhul kulub 500 pildi puhul koolituse lõpetamiseks umbes 90 minutit.
Testige mudelit
Pärast koolitust on kõik Amazon Rekognitioni kohandatud siltide mudelid rakenduses STOPPED
olek. Et seda järelduste tegemiseks kasutada, peate selle käivitama. Saame projekti versiooni ARN projekti versiooni kirjeldusest ja edastame selle rakendusele start_project_version
. Pange tähele MinInferenceUnits
parameeter – alustame ühest järeldusühikust. Tegelik maksimaalne tehingute arv sekundis (TPS), mida see järeldusseade toetab, sõltub teie mudeli keerukusest. TPS-i kohta lisateabe saamiseks vaadake seda blogi postitus.
Kui teie projekti versioon on loetletud kui RUNNING
, võite alustada järelduste tegemiseks pilte Amazon Rekognitionile saatma.
Kasutame äsja käivitatud mudeli testimiseks üht testandmestiku faili. Selle asemel võite kasutada mis tahes sobivat PNG- või JPEG-faili.
Sujuv rakendus
Amazon Rekognitioniga integreerimise demonstreerimiseks kasutame väga lihtsat Pythoni rakendust. Me kasutame Vooluvalgus Sparta kasutajaliidese loomiseks, kus palume kasutajal üles laadida pildifaili.
Kasutame Boto3 raamatukogu ja detect_custom_labels
meetodit koos projekti versiooniga ARN, et kutsuda välja järelduse lõpp-punkt. Vastus on JSON-dokument, mis sisaldab pildil tuvastatud erinevate objektide asukohti ja klasse. Meie puhul on need mitootilised arvud, mille algoritm on leidnud pildilt, mille me lõpp-punkti saatsime. Vaadake järgmist koodi:
Juurutage rakendus AWS-i
Rakenduse juurutamiseks kasutame AWS CDK skripti. Kogu projektiga saab tutvuda aadressil GitHub . Vaatame erinevaid skripti juurutatud ressursse.
Looge Amazon ECR-i hoidla
Esimese sammuna juurutamise seadistamisel loome Amazon ECR-i hoidla, kuhu saame salvestada oma rakenduste konteineri kujutised:
Looge ja salvestage oma GitHubi tunnus AWS-i saladuste halduris
CodePipeline vajab GitHubi isiklikku juurdepääsuluba, et jälgida teie GitHubi hoidla muudatusi ja tõmmata koodi. Märgi loomiseks järgige juhiseid GitHubi dokumentatsioon. Token nõuab järgmisi GitHubi ulatuseid:
- .
repo
ulatus, mida kasutatakse täielikuks juhtimiseks avalikest ja privaatsetest hoidlatest artefaktide lugemiseks ja tõmbamiseks torujuhtmesse. - .
admin:repo_hook
ulatus, mida kasutatakse hoidla konksude täielikuks juhtimiseks.
Pärast märgi loomist salvestage see uude saladusse AWS-i saladuste haldur järgmiselt:
Kirjutage konfiguratsiooniparameetrid AWS Systems Manageri parameetrite poodi
AWS CDK skript loeb mõned konfiguratsiooniparameetrid AWS Systems Manageri parameetrite pood, näiteks GitHubi hoidla nimi ja omanik ning sihtkonto ja piirkond. Enne AWS CDK skripti käivitamist peate need parameetrid oma kontol looma.
Seda saate teha AWS-i CLI abil. Lihtsalt kutsuge esile put-parameter
käsk nime, väärtuse ja parameetri tüübiga:
Järgmine on kõigi AWS CDK skripti jaoks vajalike parameetrite loend. Kõik need on tüüpi String
:
- /rek_wsi/prod/accountId – selle konto ID, kuhu rakenduse juurutame.
- /rek_wsi/prod/ecr_repo_name – Amazoni ECR-i hoidla nimi, kuhu konteineri kujutised salvestatakse.
- /rek_wsi/prod/github/branch – GitHubi hoidlas asuv haru, millest CodePipeline peab koodi tõmbama.
- /rek_wsi/prod/github/owner – GitHubi hoidla omanik.
- /rek_wsi/prod/github/repo – GitHubi hoidla nimi, kus meie kood on talletatud.
- /rek_wsi/prod/github/token – saladuse halduris oleva saladuse nimi või ARN, mis sisaldab teie GitHubi autentimisluba. See on vajalik selleks, et CodePipeline saaks GitHubiga suhelda.
- /rek_wsi/prod/region – piirkond, kus me rakenduse juurutame.
Teade prod
segment kõigis parameetrite nimedes. Kuigi me ei vaja nii lihtsa näite puhul seda detailsust, võimaldab see seda lähenemist taaskasutada teiste projektidega, kus võib vaja minna erinevaid keskkondi.
AWS CDK skripti loodud ressursid
Meil on vaja meie Fargate'i ülesandes töötavat rakendust, et meil oleks õigused Amazon Rekognitioni käivitamiseks. Seega loome esmalt an AWS-i identiteedi- ja juurdepääsuhaldus (IAM) Ülesanne Roll koos RekognitionReadOnlyPolicy
sellega seotud poliitika. Pange tähele, et assumed_by
parameeter järgmises koodis võtab ecs-tasks.amazonaws.com
teenuse juht. Selle põhjuseks on asjaolu, et me kasutame orkestreerijana Amazon ECS-i, seega vajame Amazon ECS-i, et see roll endale võtta ja volitused Fargate'i ülesandele edastada.
Pärast loomist asub meie rakenduse konteineri pilt privaatses Amazon ECR-i hoidlas. Vajame seda kirjeldavat objekti, millest saame Fargate'i teenuse loomisel edasi anda:
Loome selle rakenduse jaoks uue VPC ja klastri. Saate seda osa muuta, et kasutada oma VPC-d, kasutades from_lookup
meetod Vpc
klass:
Nüüd, kui meil on VPC ja klaster, kuhu juurutada, loome Fargate'i teenuse. Selle ülesande jaoks kasutame 0.25 vCPU-d ja 512 MB RAM-i ning selle ette asetame avaliku rakenduse koormuse tasakaalustaja (ALB). Pärast juurutamist kasutame rakendusele juurdepääsuks ALB CNAME. Vaadake järgmist koodi:
Uue konteineri kujutise automaatseks koostamiseks ja juurutamiseks iga kord, kui me koodi oma põhiharusse surume, loome lihtsa konveieri, mis koosneb GitHubi lähtetoimingust ja ehitusetapist. Siin kasutame AWS Secrets Manageri ja AWS Systems Manageri parameetrite poodi eelmistes sammudes salvestatud saladusi.
CodeBuild vajab konteineripiltide Amazon ECR-i edastamiseks luba. Nende lubade andmiseks lisame AmazonEC2ContainerRegistryFullAccess
poliitika kohandatud IAM-i rollile, mida CodeBuildi teenusejuht võib endale võtta:
CodeBuildi projekt logib sisse privaatsesse Amazon ECR-i hoidlasse, loob Dockeri pildi Streamlit rakendusega ja lükkab pildi hoidlasse koos appspec.yaml
ja imagedefinitions.json
faili.
. appspec.yaml
fail kirjeldab ülesannet (port, Fargate'i platvormi versioon ja nii edasi), samas kui imagedefinitions.json
fail vastendab konteineri kujutiste nimed nende vastava Amazon ECR URI-ga. Vaadake järgmist koodi:
Lõpuks panime torujuhtme erinevad etapid kokku. Viimane toiming on EcsDeployAction
, mis võtab eelmises etapis ehitatud konteineri kujutise ja värskendab pidevalt meie ECS-klastri ülesandeid:
Korista ära
Tulevaste kulude vältimiseks puhastage selle lahenduse osana loodud ressursid.
Amazon Rekognitioni kohandatud siltide mudel
Enne Studio sülearvuti väljalülitamist peatage kindlasti Amazon Rekognitioni kohandatud siltide mudel. Kui te seda ei tee, kaasnevad sellega jätkuvalt kulud.
Teise võimalusena saate teenuse peatamiseks kasutada Amazon Rekognitioni konsooli.
- Amazon Rekognitioni konsoolil valige Kasutage kohandatud silte navigeerimispaanil.
- Vali Projektid navigeerimispaanil.
- Valige 1. versioon
rek-mitotic-figures-workshop
projekti. - Kohta Kasutage mudelit valige vahekaart Peatus.
Sujuv rakendus
Kõigi Streamliti rakendusega seotud ressursside hävitamiseks käivitage AWS CDK rakenduste kataloogist järgmine kood:
AWS-i saladuste haldur
GitHubi märgi kustutamiseks järgige juhiseid dokumentatsioon.
Järeldus
Selles postituses tegime läbi vajalikud sammud, et koolitada Amazon Rekognitioni kohandatud siltide mudelit digitaalse patoloogiarakenduse jaoks, kasutades reaalmaailma andmeid. Seejärel õppisime mudelit kasutama lihtsast rakendusest, mis on juurutatud CI/CD torujuhtmest Fargate'i.
Amazon Rekognitioni kohandatud sildid võimaldavad teil luua ML-toega tervishoiurakendusi, mida saate hõlpsasti luua ja juurutada, kasutades selliseid teenuseid nagu Fargate, CodeBuild ja CodePipeline.
Kas teile tuleb meelde mõni rakendus, mis aitaks teadlastel, arstidel või nende patsientidel oma elu lihtsamaks muuta? Kui jah, kasutage järgmise rakenduse koostamiseks selles juhendis toodud koodi. Ja kui teil on küsimusi, jagage neid kommentaaride jaotises.
Tunnustused
Täname prof dr Marc Aubreville'i, et andis meile lahkelt loa kasutada selle ajaveebipostituse jaoks MITOS_WSI_CMC andmekogumit. Andmestiku leiate aadressilt GitHub.
viited
[1] Aubreville, M., Bertram, C.A., Donovan, T.A. et al. Täielikult annoteeritud kogu koerte rinnavähi slaidipildi andmestik, et aidata inimese rinnavähi uurimisel. Sci Data, 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khened, M., Kori, A., Rajkumar, H. et al. Üldistatud süvaõpperaamistik kogu slaidikujutise segmenteerimiseks ja analüüsimiseks. Sci Rep 11 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS, 27. märts 2018, 115 (13) E2970-E2979; esmakordselt avaldatud 12. märts 2018; https://doi.org/10.1073/pnas.1717139115
Teave Autor
Pablo Nuñez Pölcher, MSc on vanemlahenduste arhitekt, kes töötab avaliku sektori meeskonnas ettevõttes Amazon Web Services. Pablo keskendub sellele, et aidata tervishoiu avaliku sektori klientidel luua AWS-is uusi, uuenduslikke tooteid vastavalt parimatele tavadele. Ta omandas M.Sc. Bioloogiateadustes Universidad de Buenos Airesest. Vabal ajal meeldib talle jalgrattaga sõita ja ML-i toega sisseehitatud seadmetega nokitseda.
Razvan Ionasec, PhD, MBA, on Amazon Web Servicesi tervishoiu tehniline juht Euroopas, Lähis-Idas ja Aafrikas. Tema töö keskendub tervishoiuteenuste klientide abistamisele äriprobleemide lahendamisel tehnoloogia võimendamisega. Varem oli Razvan Siemens Healthineersi tehisintellekti (AI) toodete ülemaailmne juht, kes vastutas AI-Rad Companioni, tehisintellekti toega ja pilvepõhiste pildistamise digitaalsete terviselahenduste perekonna eest. Tal on 30+ meditsiinilise pildistamise AI/ML patenti ning ta on avaldanud üle 70 rahvusvahelise eelretsenseeritud tehnilise ja kliinilise väljaande arvutinägemise, arvutusliku modelleerimise ja meditsiinilise kujutise analüüsi kohta. Razvan sai doktorikraadi arvutiteaduses Müncheni tehnikaülikoolist ja magistrikraadi Cambridge'i ülikoolist Judge Business Schoolist.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- MEIST
- kiirendama
- juurdepääs
- konto
- tegevus
- Aafrika
- AI
- algoritm
- Materjal: BPA ja flataatide vaba plastik
- juba
- Kuigi
- Amazon
- Amazon Rekognitsioon
- Amazon SageMaker
- Amazon Web Services
- analüüs
- taotlus
- rakendused
- APT
- arhitektuur
- kunstlik
- tehisintellekti
- Tehisintellekt (AI)
- vara
- Autentimine
- kättesaadavus
- saadaval
- AWS
- stabilisaator
- BEST
- parimaid tavasid
- Blogi
- võimendamine
- Kast
- Rinnavähk
- ehitama
- äri
- helistama
- Cambridge
- Saab
- vähk
- vähiuuringud
- tasu
- klassifikatsioon
- kood
- kogumine
- kommentaarid
- Arvutiteadus
- Arvuti visioon
- usaldus
- konfiguratsioon
- konsool
- Konteiner
- Konteinerid
- sisaldab
- pidev
- kulud
- loomine
- volikiri
- Kliendid
- andmed
- andmebaas
- andmebaasid
- sügav õpe
- hävitama
- detail
- Detection
- Arendajad
- & Tarkvaraarendus
- seadmed
- erinev
- digitaalne
- Digitaalne tervis
- digiteerimine
- laevalaadija
- arstid
- alla
- kergesti
- miss
- Lõpp-punkt
- keskkond
- Euroopa
- näide
- kogemus
- eksport
- pere
- tunnusjoon
- FUNKTSIOONID
- Joonis
- esimene
- järgima
- kahvel
- formaat
- avastatud
- Raamistik
- tasuta
- täis
- funktsioon
- tulevik
- tekitama
- geomeetria
- GitHub
- andmine
- Globaalne
- Kuldne
- anda
- toetusi
- võttes
- juhataja
- Tervis
- tervishoid
- aitama
- siin
- Kuidas
- Kuidas
- HTTPS
- IAM
- Identity
- pilt
- pildianalüüs
- pildi segmenteerimine
- Imaging
- importivate
- info
- uuenduslik
- lahutamatu
- integratsioon
- Intelligentsus
- huvi
- rahvusvaheliselt
- seotud
- IT
- Jupyteri sülearvuti
- Labels
- suur
- hiljemalt
- käivitamine
- Õppida
- õppinud
- õppimine
- Tase
- Raamatukogu
- joon
- Linux
- nimekiri
- Nimekirjad
- koormus
- lokaliseerimine
- masinõpe
- kaardid
- Märts
- meditsiini-
- Meditsiiniline pildistamine
- keskmine
- Lähis-Ida
- ML
- mudel
- modelleerimine
- mudelid
- rohkem
- Müncheni
- nimed
- NAVIGATSIOON
- vaja
- Objekti tuvastamine
- Pardal
- Muu
- omanik
- Patendi
- patoloogia
- patsientidel
- jõudlus
- isiklik
- inimesele
- poliitika
- Peamine
- era-
- protsess
- Produktsioon
- tootlikkus
- Toodet
- spetsialistid
- projekt
- projektid
- anda
- annab
- avalik
- avalik sektor
- väljaanded
- Python
- RAM
- teadustöö
- Vahendid
- vastus
- jooks
- jooksmine
- salveitegija
- skaneerimine
- Kool
- teadus
- TEADUSED
- sektor
- väljavalitud
- Teenused
- komplekt
- kehtestamine
- Jaga
- Siemens
- märkimisväärne
- lihtne
- SUURUS
- väike
- So
- Lahendused
- LAHENDAGE
- Ruum
- spetsialiseeritud
- jagada
- Stage
- algus
- alustatud
- riik
- olek
- ladustamine
- salvestada
- stuudio
- Toetab
- Lüliti
- süsteemid
- sihtmärk
- Tehniline
- tehnikat
- Tehnoloogia
- test
- Allikas
- Läbi
- aeg
- aega võttev
- kokku
- sümboolne
- töövahendid
- ülemine
- koolitus
- Tehingud
- ainulaadne
- Ülikool
- Cambridge'i ülikool
- Värskendused
- URI
- us
- USD
- väärtus
- versioon
- nägemus
- W
- web
- veebiteenused
- Veebipõhine
- M
- Mis on
- WHO
- laialdaselt
- jooksul
- ilma
- Töö
- töö
- oleks
- kirjutamine
- X
- aastat
- youtube