גם לאחר יותר ממאה שנים לאחר הצגתו, היסטולוגיה נותרה תקן הזהב באבחון ובפרוגנוזה של הגידול. פתולוגים אנטומיים מעריכים היסטולוגיה כדי לרבד חולי סרטן לקבוצות שונות בהתאם לגנוטיפים והפנוטיפים של הגידול שלהם, ולתוצאות הקליניות שלהם [1,2]. עם זאת, הערכה אנושית של שקופיות היסטולוגיות היא סובייקטיבית ואינה ניתנת לחזרה [3]. יתר על כן, הערכה היסטולוגית היא תהליך שלוקח זמן הדורש אנשי מקצוע מיומנים.
עם התקדמות טכנולוגית משמעותית בעשור האחרון, טכניקות כגון הדמיית שקופיות שלמה (WSI) ולמידה עמוקה (DL) זמינות כעת באופן נרחב. WSI היא סריקה של שקופיות זכוכית מיקרוסקופיות קונבנציונליות כדי לייצר תמונה אחת ברזולוציה גבוהה משקופיות אלה. זה מאפשר דיגיטציה ואיסוף של קבוצות גדולות של תמונות פתולוגיות, שהיו גוזלות זמן ויקר בצורה בלתי רגילה. הזמינות של מערכי נתונים כאלה יוצרת דרכים חדשות וחדשניות להאצת האבחון על ידי שימוש בטכניקות כגון למידת מכונה (ML) כדי לסייע לפתולוגים להאיץ אבחנות על ידי זיהוי מהיר של מאפיינים בעלי עניין.
בפוסט זה, נחקור כיצד מפתחים ללא ניסיון קודם ב-ML יכולים להשתמש תוויות מותאמות אישית של Amazon Rekognition להכשיר מודל שמסווג תכונות סלולריות. אמזון זיהוי תוויות מותאמות אישית היא תכונה של אמזון המאפשרת לך לבנות יכולות מיוחדות משלך לניתוח תמונה מבוסס ML כדי לזהות אובייקטים וסצנות ייחודיות המשולבות במקרה השימוש הספציפי שלך. בפרט, אנו משתמשים במערך נתונים המכיל תמונות שקופיות שלמות של קרצינומה של כלבים [1] כדי להדגים כיצד לעבד את התמונות הללו ולאמן מודל שמזהה דמויות מיטוטיות. נעשה שימוש במערך נתונים זה באישור מפרופ' ד"ר מארק אוברוויל, שהסכים בחביבות לאפשר לנו להשתמש בו עבור פוסט זה. למידע נוסף, עיין בסעיף תודות בסוף פוסט זה.
סקירת פתרונות
הפתרון מורכב משני מרכיבים:
- דגם של אמזון זיהוי תוויות מותאמות אישית - כדי לאפשר ל-Amazon Rekognition לזהות דמויות מיטוטיות, אנו משלימים את השלבים הבאים:
- דגום את מערך הנתונים של WSI כדי לייצר תמונות בגודל מתאים באמצעות סטודיו SageMaker של אמזון וקוד Python הפועל על מחברת Jupyter. Studio היא סביבת פיתוח משולבת מבוססת אינטרנט (IDE) עבור ML המספקת את כל הכלים הדרושים לך כדי לקחת את המודלים שלך מהניסוי לייצור תוך שיפור הפרודוקטיביות שלך. נשתמש בסטודיו כדי לפצל את התמונות לקטנות יותר כדי לאמן את המודל שלנו.
- אמן מודל של אמזון זיהוי תוויות מותאמות אישית לזהות דמויות מיטוטיות בדגימות המטוקסילין-אאוזין באמצעות הנתונים שהוכנו בשלב הקודם.
- יישום חזיתי - כדי להדגים כיצד להשתמש במודל כמו זה שאימנו בשלב הקודם, אנו משלימים את השלבים הבאים:
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
כל המשאבים הדרושים לפריסת היישום הנדון בפוסט זה והקוד עבור כל הסעיף זמינים ב- GitHub. אתה יכול לשכפל או לחלק את המאגר, לבצע כל שינוי שתרצה ולהפעיל אותו בעצמך.
בשלבים הבאים, אנו עוברים על הקוד כדי להבין את השלבים השונים הכרוכים בהשגת הנתונים ובהכנתם, בהכשרת המודל והשימוש בו מאפליקציה לדוגמה.
עלויות
כשאתה מפעיל את השלבים בהדרכה הזו, אתה נגרם עלויות קטנות מהשימוש בשירותי ה-AWS הבאים:
- אמזון
- AWS פרגייט
- איזון עומס יישומים
- מנהל סודות AWS
בנוסף, אם לא עוד בתקופת או התנאים של Free Tier, אתה עלול להיגרם בעלויות מהשירותים הבאים:
- קוד צנרת
- CodeBuild
- אמזון ECR
- אמזון SageMaker
אם תשלים את שלבי הניקוי כראוי לאחר סיום ההדרכה הזו, ייתכן שתצפה שהעלויות יהיו פחות מ-10 דולר, אם המודל של Amazon Rekognition Custom Labels ויישום האינטרנט פועלים למשך שעה אחת או פחות.
תנאים מוקדמים
כדי להשלים את כל השלבים, אתה צריך את הדברים הבאים:
אימון מודל סיווג הדמויות המיטוטיות
אנו מריצים את כל השלבים הנדרשים להכשרת הדגם ממחברת סטודיו. אם מעולם לא השתמשת ב-Studio לפני כן, ייתכן שתצטרך המשולב ראשון. למידע נוסף, ראה הכנס במהירות לאמזון SageMaker Studio.
חלק מהשלבים הבאים דורשים יותר זיכרון RAM ממה שזמין במחברת ml.t3.medium רגילה. ודא שבחרתם מחברת ml.m5.large. אתה אמור לראות חיווי של 2 vCPU + 8 GiB בפינה הימנית העליונה של הדף.
הקוד עבור סעיף זה זמין בתור א קובץ מחברת של צדק.
לאחר העלייה לסטודיו, עקוב הוראות אלה להעניק לסטודיו את ההרשאות הנדרשות להתקשר בשמך ל-Amazon Rekognition.
תלוי
מלכתחילה, עלינו להשלים את השלבים הבאים:
- עדכן חבילות לינוקס והתקן את התלות הנדרשת, כגון OpenSlide:
- התקן את ספריות fastai ו-SlideRunner באמצעות pip:
- הורד את מערך הנתונים (אנו מספקים סקריפט שיעשה זאת באופן אוטומטי):
עבד את מערך הנתונים
נתחיל בייבוא חלק מהחבילות בהן אנו משתמשים לאורך שלב הכנת הנתונים. לאחר מכן, אנו מורידים וטעינים את מסד הנתונים של ההערות עבור מערך הנתונים הזה. מסד נתונים זה מכיל את המיקומים בתמונות השקופיות השלמות של הדמויות המיטוטיות (התכונות שאנו רוצים לסווג). ראה את הקוד הבא:
מכיוון שאנו משתמשים ב- SageMaker, אנו יוצרים SageMaker חדש מושב אובייקט כדי להקל על משימות כגון העלאת מערך הנתונים שלנו ל-an שירות אחסון פשוט של אמזון דלי (Amazon S3). אנו משתמשים גם בדלי S3 ש-SageMaker יוצר כברירת מחדל כדי להעלות את קובצי התמונה המעובדים שלנו.
השמיים slidelist_test
המערך מכיל את המזהים של השקופיות שבהן אנו משתמשים כחלק ממערך הנתונים של הבדיקה כדי להעריך את הביצועים של המודל המאומן. ראה את הקוד הבא:
השלב הבא הוא השגת סט של אזורי אימון ושקופיות מבחן, יחד עם התוויות שבהן, מהם נוכל לקחת אזורים קטנים יותר לשימוש כדי לאמן את המודל שלנו. הקוד של get_slides נמצא בקובץ sampling.py ב GitHub.
אנו רוצים לדגום באופן אקראי מתוך שקופיות ההדרכה והמבחן. אנו משתמשים ברשימות של שקופיות ההדרכה והמבחן ובוחרים באופן אקראי n_training_images
פעמים קובץ לאימון, ו n_test_images
פעמים קובץ לבדיקה:
לאחר מכן, אנו יוצרים ספרייה לתמונות אימון ואחת לתמונות מבחן:
לפני שאנו מייצרים את התמונות הקטנות יותר הדרושות לאימון המודל, אנו זקוקים לקוד עוזר שמייצר את המטא-נתונים הדרושים לתיאור נתוני ההדרכה והבדיקה. הקוד הבא מוודא שתיבה תוחמת נתונה המקיפה את תכונות העניין (דמויות מיטוטיות) נמצאת היטב באזור שאנו חותכים, ומייצר שורה של JSON שמתארת את התמונה והתכונות שבה האמת של אמזון SageMaker פורמט, שהוא הפורמט שדורש Amazon Rekognition Custom Labels. למידע נוסף על קובץ מניפסט זה לזיהוי אובייקטים, ראה לוקליזציה של אובייקטים בקבצי מניפסט.
עם generate_annotations
פונקציה במקום, נוכל לכתוב את הקוד להפקת תמונות ההדרכה והבדיקה:
הצעד האחרון לקראת קבלת כל הנתונים הנדרשים הוא לכתוב א manifest.json
קובץ עבור כל אחד ממערכי הנתונים:
העבר את הקבצים ל-S3
אנו משתמשים upload_data
שיטה שאובייקט ההפעלה של SageMaker חושף כדי להעלות את התמונות וקבצי המניפסט לדלי ברירת המחדל של SageMaker S3:
אימון דגם של אמזון זיהוי תוויות מותאמות אישית
עם הנתונים שכבר נמצאים באמזון S3, נוכל להגיע לאימון מודל מותאם אישית. אנו משתמשים בספריית Boto3 כדי ליצור לקוח אמזון זיהוי וליצור פרויקט:
כשהפרויקט מוכן לשימוש, כעת אתה צריך גרסת פרויקט שמצביעה על מערכי ההדרכה והבדיקה באמזון S3. כל גרסה מצביעה באופן אידיאלי על מערכי נתונים שונים (או גרסאות שונות שלה). זה מאפשר לנו לקבל גרסאות שונות של מודל, להשוות את הביצועים שלהן ולעבור ביניהן לפי הצורך. ראה את הקוד הבא:
לאחר שניצור את גרסת הפרויקט, Amazon Rekognition מתחילה אוטומטית את תהליך ההדרכה. זמן האימון תלוי במספר מאפיינים, כמו גודל התמונות ומספרן, מספר השיעורים וכדומה. במקרה זה, עבור 500 תמונות, האימון לוקח כ-90 דקות לסיום.
בדוק את הדגם
לאחר האימון, כל דגם ב-Amazon Rekognition Custom Labels נמצא ב- STOPPED
מדינה. כדי להשתמש בו להסקת מסקנות, אתה צריך להתחיל אותו. אנו מקבלים את גרסת הפרויקט ARN מתיאור גרסת הפרויקט ומעבירים אותה ל- start_project_version
. שימו לב ל MinInferenceUnits
פרמטר - נתחיל ביחידת הסקה אחת. המספר המקסימלי בפועל של עסקאות בשנייה (TPS) שיחידת ההסקה הזו תומכת בה תלוי במורכבות המודל שלך. למידע נוסף על TPS, עיין בזה בלוג.
כאשר גרסת הפרויקט שלך מופיעה בתור RUNNING
, אתה יכול להתחיל לשלוח תמונות ל-Amazon Rekognition להסקת מסקנות.
אנו משתמשים באחד הקבצים במערך הנתונים של הבדיקה כדי לבדוק את המודל החדש שהתחיל. אתה יכול להשתמש בכל קובץ PNG או JPEG מתאים במקום זאת.
אפליקציה יעילה
כדי להדגים את האינטגרציה עם Amazon Rekognition, אנו משתמשים באפליקציה פשוטה מאוד של Python. אנו משתמשים ב- מוארת ספרייה לבניית ממשק משתמש ספרטני, שבו אנו מבקשים מהמשתמש להעלות קובץ תמונה.
אנו משתמשים בספריית Boto3 וב- detect_custom_labels
שיטה, יחד עם גרסת הפרויקט ARN, להפעיל את נקודת הסיום. התגובה היא מסמך JSON המכיל את המיקומים והמחלקות של האובייקטים השונים שזוהו בתמונה. במקרה שלנו, אלו הדמויות המיטוטיות שהאלגוריתם מצא בתמונה ששלחנו לנקודת הקצה. ראה את הקוד הבא:
פרוס את האפליקציה ל-AWS
כדי לפרוס את היישום, אנו משתמשים בסקריפט AWS CDK. את כל הפרויקט ניתן למצוא ב GitHub . בואו נסתכל על המשאבים השונים שנפרסו על ידי הסקריפט.
צור מאגר ECR של אמזון
כצעד ראשון לקראת הגדרת הפריסה שלנו, אנו יוצרים מאגר ECR של אמזון, שבו נוכל לאחסן את תמונות מיכל היישומים שלנו:
צור ואחסן את אסימון GitHub שלך במנהל סודות AWS
CodePipeline צריך אסימון גישה אישי של GitHub כדי לנטר את מאגר GitHub שלך לשינויים ולמשיכת קוד. כדי ליצור את האסימון, עקוב אחר ההוראות ב- תיעוד GitHub. האסימון דורש את ההיקפים הבאים של GitHub:
- השמיים
repo
scope, המשמש לשליטה מלאה כדי לקרוא ולשלוף חפצים ממאגרים ציבוריים ופרטיים לתוך צינור. - השמיים
admin:repo_hook
scope, המשמש לשליטה מלאה בווי מאגר.
לאחר יצירת האסימון, אחסן אותו בסוד חדש ב מנהל סודות AWS באופן הבא:
כתוב פרמטרים של תצורה ל-AWS Systems Manager Parameter Store
סקריפט AWS CDK קורא כמה פרמטרים של תצורה חנות פרמטרים של מנהל מערכות AWS, כגון השם והבעלים של מאגר GitHub, וחשבון יעד ואזור. לפני הפעלת סקריפט AWS CDK, עליך ליצור את הפרמטרים האלה בחשבון שלך.
אתה יכול לעשות זאת באמצעות AWS CLI. כל שעליך לעשות הוא להפעיל את put-parameter
פקודה עם שם, ערך וסוג הפרמטר:
להלן רשימה של כל הפרמטרים הנדרשים על ידי סקריפט AWS CDK. כולם מסוג String
:
- /rek_wsi/prod/accountId - המזהה של החשבון שבו אנו פורסים את היישום.
- /rek_wsi/prod/ecr_repo_name - השם של מאגר ה-ECR של אמזון שבו מאוחסנות תמונות המכולה.
- /rek_wsi/prod/github/branch - הענף במאגר GitHub שממנו CodePipeline צריך למשוך את הקוד.
- /rek_wsi/prod/github/owner - הבעלים של מאגר GitHub.
- /rek_wsi/prod/github/repo - השם של מאגר GitHub שבו מאוחסן הקוד שלנו.
- /rek_wsi/prod/github/token - השם או ה-ARN של הסוד ב-Secrets Manager המכיל את אסימון האימות של GitHub. זה הכרחי כדי ש-CodePipeline יוכל לתקשר עם GitHub.
- /rek_wsi/prod/region — האזור שבו נפרוס את היישום.
שים לב prod
פלח בכל שמות הפרמטרים. למרות שאיננו זקוקים לרמת פירוט זו עבור דוגמה כה פשוטה, היא תאפשר לעשות שימוש חוזר בגישה זו עם פרויקטים אחרים שבהם ייתכן שיהיה צורך בסביבות שונות.
משאבים שנוצרו על ידי סקריפט AWS CDK
אנו זקוקים לאפליקציה שלנו, הפועלת במשימה של Fargate, כדי לקבל הרשאות להפעיל את אמזון זיהוי. אז קודם כל יוצרים AWS זהות וניהול גישה (IAM) תפקיד משימה עם RekognitionReadOnlyPolicy
מדיניות המצורפת לו. שימו לב שה- assumed_by
פרמטר בקוד הבא לוקח את ecs-tasks.amazonaws.com
מנהל שירות. הסיבה לכך היא שאנו משתמשים באמזון ECS כמתזמר, ולכן אנו צריכים את Amazon ECS כדי לקבל את התפקיד ולהעביר את האישורים למשימה של פארגייט.
לאחר שנבנה, תמונת מיכל היישומים שלנו יושבת במאגר פרטי של אמזון ECR. אנו זקוקים לאובייקט שמתאר אותו שאנו יכולים להעביר בעת יצירת שירות Fargate:
אנו יוצרים VPC ואשכול חדש עבור יישום זה. אתה יכול לשנות חלק זה כדי להשתמש ב-VPC משלך על ידי שימוש ב- from_lookup
השיטה של Vpc
מעמד:
כעת, כשיש לנו VPC ואשכול לפריסה, אנו יוצרים את שירות Fargate. אנו משתמשים ב-0.25 vCPU ו-512 MB RAM עבור משימה זו, ואנו מציבים מולו מאזן עומס יישומים ציבורי (ALB). לאחר הפריסה, אנו משתמשים ב-ALB CNAME כדי לגשת לאפליקציה. ראה את הקוד הבא:
כדי לבנות ולפרוס תמונת קונטיינר חדשה באופן אוטומטי בכל פעם שאנו דוחפים קוד לסניף הראשי שלנו, אנו יוצרים צינור פשוט המורכב מפעולת מקור של GitHub ושלב בנייה. כאן אנו משתמשים בסודות ששמרנו ב-AWS Secrets Manager וב-AWS Systems Manager Parameter Store בשלבים הקודמים.
CodeBuild זקוק להרשאות כדי לדחוף תמונות מיכל לאמזון ECR. כדי להעניק הרשאות אלה, אנו מוסיפים את AmazonEC2ContainerRegistryFullAccess
מדיניות לתפקיד IAM מותאם אישית שמנהל השירות CodeBuild יכול לקבל:
פרויקט CodeBuild נכנס למאגר הפרטי של Amazon ECR, בונה את תמונת ה-Docker עם אפליקציית Streamlit ודוחף את התמונה למאגר יחד עם appspec.yaml
ו imagedefinitions.json
קובץ.
השמיים appspec.yaml
הקובץ מתאר את המשימה (פורט, גרסת פלטפורמת פארגייט וכן הלאה), בעוד ש- imagedefinitions.json
הקובץ ממפה את שמות תמונות המכולה ל-Amazon ECR URI המקביל להם. ראה את הקוד הבא:
לבסוף, אנו מחברים את שלבי הצינור השונים יחד. הפעולה האחרונה היא ה EcsDeployAction
, שלוקח את תמונת המכולה שנבנתה בשלב הקודם ועושה עדכון מתגלגל של המשימות באשכול ה-ECS שלנו:
ניקוי
כדי למנוע עלויות עתידיות, נקה את המשאבים שיצרת כחלק מפתרון זה.
דגם Amazon Rekognition Custom Labels
לפני שאתה מכבה את מחברת הסטודיו שלך, וודא שאתה מפסיק את דגם ה-Amazon Rekognition Custom Labels. אם לא, זה ממשיך לגבות עלויות.
לחלופין, אתה יכול להשתמש במסוף הזיהוי של אמזון כדי להפסיק את השירות:
- במסוף ההכרה של אמזון בחר השתמש בתוויות מותאמות אישית בחלונית הניווט.
- בחרו פרויקטים בחלונית הניווט.
- בחר גרסה 1 של
rek-mitotic-figures-workshop
פרויקט. - על השתמש במודל בחר, בחר עצור.
אפליקציה יעילה
כדי להשמיד את כל המשאבים המשויכים לאפליקציית Streamlit, הפעל את הקוד הבא מספריית יישומי AWS CDK:
מנהל סודות AWS
כדי למחוק את אסימון GitHub, עקוב אחר ההוראות ב- תיעוד.
סיכום
בפוסט זה, עברנו על השלבים הדרושים להכשרת מודל של Amazon Rekognition Custom Labels עבור יישום פתולוגיה דיגיטלי באמצעות נתונים מהעולם האמיתי. לאחר מכן למדנו כיצד להשתמש במודל מיישום פשוט שנפרס מצינור CI/CD ל-Fargate.
Amazon Rekognition Custom Labels מאפשרת לך לבנות יישומי בריאות התומכים ב-ML שתוכל לבנות ולפרוס בקלות באמצעות שירותים כמו Fargate, CodeBuild ו-CodePipeline.
האם אתה יכול לחשוב על יישומים כלשהם שיעזרו לחוקרים, לרופאים או למטופלים שלהם להקל על חייהם? אם כן, השתמש בקוד בהדרכה זו כדי לבנות את היישום הבא שלך. ואם יש לך שאלות, אנא שתף אותן בקטע ההערות.
תודות
ברצוננו להודות לפרופ' ד"ר מארק אוברוויל על שהעניק לנו רשות להשתמש במערך הנתונים של MITOS_WSI_CMC עבור פוסט זה בבלוג. ניתן למצוא את מערך הנתונים ב- GitHub.
הפניות
[1] Aubreville, M., Bertram, C.A., Donovan, T.A. et al. מערך תמונת שקופיות מוער לחלוטין של סרטן השד של כלבים כדי לסייע לחקר סרטן השד האנושי. Sci Data 7, 417 (2020). https://doi.org/10.1038/s41597-020-00756-z
[2] Khened, M., Kori, A., Rajkumar, H. et al. מסגרת למידה עמוקה כללית לפילוח וניתוח תמונה של כל שקף. Sci נציג 11, 11579 (2021). https://doi.org/10.1038/s41598-021-90444-8
[3] PNAS 27 במרץ 2018 115 (13) E2970-E2979; פורסם לראשונה ב-12 במרץ 2018; https://doi.org/10.1073/pnas.1717139115
על המחבר
פבלו נוניז פולצ'ר, MSc, הוא אדריכל פתרונות בכיר שעובד עבור צוות המגזר הציבורי עם שירותי האינטרנט של אמזון. פבלו מתמקדת בסיוע ללקוחות במגזר הציבורי של שירותי הבריאות לבנות מוצרים חדשים וחדשניים ב-AWS בהתאם לשיטות העבודה המומלצות. הוא קיבל M.Sc. במדעי הביולוגיה מאוניברסידד דה בואנוס איירס. בזמנו הפנוי, הוא נהנה לרכוב על אופניים ולהתעסק עם מכשירים משובצים התומכים ב-ML.
רזבן יונאסק, PhD, MBA, הוא המוביל הטכני בתחום הבריאות בשירותי האינטרנט של אמזון באירופה, המזרח התיכון ואפריקה. עבודתו מתמקדת בסיוע ללקוחות שירותי בריאות לפתור בעיות עסקיות על ידי מינוף הטכנולוגיה. בעבר, Razvan היה ראש עולמי של מוצרי בינה מלאכותית (AI) ב-Siemens Healthineers האחראי על AI-Rad Companion, משפחת פתרונות הבריאות הדיגיטליים המופעלים על ידי בינה מלאכותית ומבוססי ענן להדמיה. הוא מחזיק ב-30+ פטנטים ב-AI/ML להדמיה רפואית ופרסם יותר מ-70 פרסומים טכניים וקליניים בינלאומיים שנבדקו על ידי עמיתים בנושא ראייה ממוחשבת, מודלים חישוביים וניתוח תמונה רפואית. רזבן קיבל את הדוקטורט שלו במדעי המחשב מהאוניברסיטה הטכנית במינכן ו-MBA מאוניברסיטת קיימברידג', בית הספר למנהל עסקים של השופט.
- '
- "
- &
- 100
- 11
- 110
- 2020
- 2021
- 7
- אודות
- להאיץ
- גישה
- חֶשְׁבּוֹן
- פעולה
- אפריקה
- AI
- אַלגוֹרִיתְם
- תעשיות
- כְּבָר
- למרות
- אמזון בעברית
- אמזון
- אמזון SageMaker
- אמזון שירותי אינטרנט
- אנליזה
- בקשה
- יישומים
- APT
- ארכיטקטורה
- מלאכותי
- בינה מלאכותית
- בינה מלאכותית (AI)
- נכסים
- אימות
- זמינות
- זמין
- AWS
- איזון
- הטוב ביותר
- שיטות עבודה מומלצות
- בלוג
- חיזוק
- אריזה מקורית
- סרטן השד
- לִבנוֹת
- עסקים
- שיחה
- קיימברידג'
- יכול לקבל
- מחלת הסרטן
- סרטן מחקר
- תשלום
- מיון
- קוד
- אוסף
- הערות
- מדעי מחשב
- ראייה ממוחשבת
- אמון
- תְצוּרָה
- קונסול
- מכולה
- מכולות
- מכיל
- ממשיך
- עלויות
- יוצרים
- אישורים
- לקוחות
- נתונים
- מסד נתונים
- מאגרי מידע
- למידה עמוקה
- להרוס
- פרט
- איתור
- מפתחים
- צעצועי התפתחות
- התקנים
- אחר
- דיגיטלי
- בריאות דיגיטלית
- דיגיטציה
- סַוָר
- רופאים
- מטה
- בקלות
- הד
- נקודת קצה
- סביבה
- אירופה
- דוגמה
- ניסיון
- יצוא
- משפחה
- מאפיין
- תכונות
- תרשים
- ראשון
- לעקוב
- מזלג
- פוּרמָט
- מצא
- מסגרת
- חופשי
- מלא
- פונקציה
- עתיד
- ליצור
- גאומטריה
- GitHub
- נתינה
- גלוֹבָּלִי
- זהב
- להעניק
- מענקים
- יש
- ראש
- בְּרִיאוּת
- בריאות
- לעזור
- כאן
- איך
- איך
- HTTPS
- IAM
- זהות
- תמונה
- ניתוח תמונה
- פילוח תמונה
- הדמיה
- יבוא
- מידע
- חדשני
- אינטגרלי
- השתלבות
- מוֹדִיעִין
- אינטרס
- ברמה בינלאומית
- מעורב
- IT
- מחברת צדק
- תוויות
- גָדוֹל
- האחרון
- השקה
- לִלמוֹד
- למד
- למידה
- רמה
- סִפְרִיָה
- קו
- לינוקס
- רשימה
- רשימות
- לִטעוֹן
- לוקליזציה
- למידת מכונה
- מפות
- צעדה
- רפואי
- הדמיה רפואית
- בינוני
- המזרח התיכון
- ML
- מודל
- דוגמנות
- מודלים
- יותר
- מינכן
- שמות
- ניווט
- נחוץ
- זיהוי אובייקט
- Onboarding
- אחר
- בעלים
- פטנטים
- פתולוגיה
- חולים
- ביצועים
- אישי
- פלטפורמה
- מדיניות
- מנהל
- פְּרָטִי
- תהליך
- הפקה
- פִּריוֹן
- מוצרים
- אנשי מקצוע
- פּרוֹיֶקט
- פרויקטים
- לספק
- מספק
- ציבורי
- מגזר ציבורי
- פרסומים
- פיתון
- RAM
- מחקר
- משאבים
- תגובה
- הפעלה
- ריצה
- בעל חכמים
- סריקה
- בית ספר
- מדע
- מדעים
- מגזר
- נבחר
- שירותים
- סט
- הצבה
- שיתוף
- סימנס
- משמעותי
- פָּשׁוּט
- מידה
- קטן
- So
- פתרונות
- לפתור
- מֶרחָב
- מיוחד
- לפצל
- התמחות
- התחלה
- החל
- מדינה
- מצב
- אחסון
- חנות
- סטודיו
- תומך
- מתג
- מערכות
- יעד
- טכני
- טכניקות
- טכנולוגיה
- מבחן
- המקור
- דרך
- זמן
- דורש זמן רב
- יַחַד
- אסימון
- כלים
- חלק עליון
- הדרכה
- עסקות
- ייחודי
- אוניברסיטה
- אוניברסיטת קמברידג
- עדכון
- URI
- us
- ש״ח
- ערך
- גרסה
- חזון
- W
- אינטרנט
- שירותי אינטרנט
- המבוסס על האינטרנט
- מה
- מה
- מי
- באופן נרחב
- בתוך
- לְלֹא
- תיק עבודות
- עובד
- היה
- כתיבה
- X
- שנים
- YouTube