Phân tích hình ảnh y tế đóng một vai trò quan trọng trong chẩn đoán và điều trị bệnh. Khả năng tự động hóa quy trình này bằng kỹ thuật học máy (ML) cho phép các chuyên gia chăm sóc sức khỏe chẩn đoán nhanh hơn một số bệnh ung thư, bệnh mạch vành và tình trạng nhãn khoa. Tuy nhiên, một trong những thách thức chính mà các bác sĩ lâm sàng và nhà nghiên cứu trong lĩnh vực này phải đối mặt là tính chất phức tạp và tốn thời gian của việc xây dựng các mô hình ML để phân loại hình ảnh. Các phương pháp truyền thống đòi hỏi chuyên môn về mã hóa và kiến ​​thức sâu rộng về thuật toán ML, đây có thể là rào cản đối với nhiều chuyên gia chăm sóc sức khỏe.

Để giải quyết khoảng cách này, chúng tôi đã sử dụng Canvas SageMaker của Amazon, một công cụ trực quan cho phép các bác sĩ lâm sàng y tế xây dựng và triển khai các mô hình ML mà không cần kiến ​​thức về mã hóa hoặc chuyên môn. Cách tiếp cận thân thiện với người dùng này giúp loại bỏ đường cong học tập dốc liên quan đến ML, giúp các bác sĩ lâm sàng có thể tập trung vào bệnh nhân của họ.

Amazon SageMaker Canvas cung cấp giao diện kéo và thả để tạo mô hình ML. Các bác sĩ lâm sàng có thể chọn dữ liệu họ muốn sử dụng, chỉ định kết quả đầu ra mong muốn và sau đó xem dữ liệu đó tự động xây dựng và huấn luyện mô hình. Sau khi mô hình được đào tạo, nó sẽ tạo ra các dự đoán chính xác.

Cách tiếp cận này lý tưởng cho các bác sĩ lâm sàng y tế muốn sử dụng ML để cải thiện các quyết định chẩn đoán và điều trị của họ. Với Amazon SageMaker Canvas, họ có thể sử dụng sức mạnh của ML để trợ giúp bệnh nhân mà không cần phải là chuyên gia ML.

Phân loại hình ảnh y tế tác động trực tiếp đến kết quả của bệnh nhân và hiệu quả chăm sóc sức khỏe. Phân loại hình ảnh y tế kịp thời và chính xác cho phép phát hiện sớm các bệnh hỗ trợ lập kế hoạch và theo dõi điều trị hiệu quả. Hơn nữa, việc dân chủ hóa ML thông qua các giao diện có thể truy cập như Amazon SageMaker Canvas, cho phép nhiều chuyên gia chăm sóc sức khỏe hơn, bao gồm cả những người không có nền tảng kỹ thuật sâu rộng, đóng góp cho lĩnh vực phân tích hình ảnh y tế. Cách tiếp cận toàn diện này thúc đẩy sự hợp tác và chia sẻ kiến ​​thức và cuối cùng dẫn đến những tiến bộ trong nghiên cứu chăm sóc sức khỏe và cải thiện việc chăm sóc bệnh nhân.

Trong bài đăng này, chúng ta sẽ khám phá các khả năng của Amazon SageMaker Canvas trong việc phân loại hình ảnh y tế, thảo luận về lợi ích của nó và nêu bật các trường hợp sử dụng trong thế giới thực chứng minh tác động của nó đối với chẩn đoán y tế.

Trường hợp sử dụng

Ung thư da là một căn bệnh nghiêm trọng và có khả năng gây tử vong cao, càng được phát hiện sớm thì cơ hội điều trị thành công càng cao. Theo thống kê, ung thư da (ví dụ ung thư biểu mô tế bào đáy và tế bào vảy) là một trong những loại ung thư phổ biến nhất và dẫn đến hàng trăm nghìn ca tử vong khắp thế giới mỗi năm. Nó biểu hiện thông qua sự phát triển bất thường của tế bào da.

Tuy nhiên, chẩn đoán sớm làm tăng đáng kể cơ hội phục hồi. Hơn nữa, nó có thể khiến các liệu pháp phẫu thuật, chụp X quang hoặc hóa trị liệu trở nên không cần thiết hoặc làm giảm mức sử dụng tổng thể của chúng, giúp giảm chi phí chăm sóc sức khỏe.

Quá trình chẩn đoán ung thư da bắt đầu bằng một quy trình gọi là nội soi da [1], kiểm tra hình dạng, kích thước và đặc điểm chung về màu sắc của các tổn thương da. Các tổn thương nghi ngờ sau đó được lấy mẫu và xét nghiệm mô học thêm để xác nhận loại tế bào ung thư. Các bác sĩ sử dụng nhiều phương pháp để phát hiện ung thư da, bắt đầu bằng việc phát hiện bằng hình ảnh. Trung tâm Nghiên cứu Da liễu Hoa Kỳ đã phát triển một hướng dẫn về hình dạng có thể có của khối u ác tính, được gọi là ABCD (không đối xứng, đường viền, màu sắc, đường kính) và được các bác sĩ sử dụng để sàng lọc bệnh ban đầu. Nếu phát hiện một tổn thương da nghi ngờ, bác sĩ sẽ lấy sinh thiết tổn thương có thể nhìn thấy trên da và kiểm tra bằng kính hiển vi để chẩn đoán lành tính hay ác tính và loại ung thư da. Các mô hình thị giác máy tính có thể đóng một vai trò có giá trị trong việc giúp xác định các nốt ruồi hoặc tổn thương đáng ngờ, giúp chẩn đoán sớm hơn và chính xác hơn.

Tạo mô hình phát hiện ung thư là một quá trình gồm nhiều bước, như được nêu dưới đây:

1. Thu thập một tập dữ liệu lớn về hình ảnh từ làn da khỏe mạnh và làn da có nhiều loại tổn thương ung thư hoặc tiền ung thư. Bộ dữ liệu này cần được quản lý cẩn thận để đảm bảo tính chính xác và nhất quán.
2. Sử dụng các kỹ thuật thị giác máy tính để xử lý trước hình ảnh và trích xuất có liên quan để phân biệt giữa làn da khỏe mạnh và làn da ung thư.
3. Huấn luyện mô hình ML trên các hình ảnh được xử lý trước, sử dụng phương pháp học có giám sát để dạy mô hình cách phân biệt giữa các loại da khác nhau.
4. Đánh giá hiệu suất của mô hình bằng nhiều số liệu khác nhau, chẳng hạn như độ chính xác và khả năng thu hồi, để đảm bảo mô hình xác định chính xác da ung thư và giảm thiểu kết quả dương tính giả.
5. Tích hợp mô hình này vào một công cụ thân thiện với người dùng mà các bác sĩ da liễu và các chuyên gia chăm sóc sức khỏe khác có thể sử dụng để hỗ trợ phát hiện và chẩn đoán ung thư da.

Nhìn chung, quá trình phát triển mô hình phát hiện ung thư da từ đầu thường đòi hỏi nguồn lực và chuyên môn đáng kể. Đây là lúc Amazon SageMaker Canvas có thể giúp đơn giản hóa thời gian và công sức cho các bước 2 – 5.

Tổng quan về giải pháp

Để chứng minh việc tạo ra mô hình thị giác máy tính về ung thư da mà không cần viết bất kỳ mã nào, chúng tôi sử dụng bộ dữ liệu hình ảnh về ung thư da qua nội soi da do Harvard Dataverse xuất bản. Chúng tôi sử dụng tập dữ liệu có thể tìm thấy tại HÀM10000 và bao gồm 10,015 hình ảnh soi da, để xây dựng mô hình phân loại ung thư da nhằm dự đoán các phân loại ung thư da. Một số điểm chính về tập dữ liệu:

• Tập dữ liệu đóng vai trò là tập huấn luyện cho mục đích ML học thuật.
• Nó bao gồm một bộ sưu tập đại diện của tất cả các loại chẩn đoán quan trọng trong lĩnh vực tổn thương sắc tố.
• Một số loại trong tập dữ liệu là: dày sừng quang hóa và ung thư biểu mô nội mô / bệnh Bowen (akiec), ung thư biểu mô tế bào đáy (bcc), các tổn thương giống keratosis lành tính (lăng tố mặt trời / dày sừng tiết bã và liken-planus như dày sừng, bkl), u xơ da ( df), khối u ác tính (mel), nevi melanocytic (nv) và các tổn thương mạch máu (u mạch, u mạch máu, u hạt sinh mủ và xuất huyết, mạch máu)
• Hơn 50% tổn thương trong tập dữ liệu được xác nhận thông qua mô bệnh học (histo).
• Sự thật cơ bản của các trường hợp còn lại được xác định thông qua việc kiểm tra tiếp theo (follow_up), sự đồng thuận của chuyên gia (sự đồng thuận) hoặc sự xác nhận của trong cơ thể kính hiển vi đồng tiêu (đồng tiêu).
• Tập dữ liệu bao gồm các tổn thương có nhiều hình ảnh, có thể được theo dõi bằng cách sử dụng lesion_id cột trong HAM10000_metadata tập tin.

Chúng tôi giới thiệu cách đơn giản hóa việc phân loại hình ảnh cho nhiều loại ung thư da mà không cần viết bất kỳ mã nào bằng Amazon SageMaker Canvas. Với một hình ảnh về tổn thương da, phân loại hình ảnh SageMaker Canvas sẽ tự động phân loại hình ảnh thành lành tính hoặc có thể là ung thư.

Điều kiện tiên quyết

• Truy cập vào một AWS tài khoản có quyền tạo tài nguyên được mô tả trong phần các bước.
• Quản lý quyền truy cập và nhận dạng AWS (người dùng AWS IAM) có toàn quyền sử dụng Amazon SageMaker.

Hương

1. Thiết lập miền SageMaker
   1. Tạo miền Amazon SageMaker bằng các bước đã nêu tại đây.
   2. Tải về HÀM10000 tập dữ liệu.
2. Bộ dữ liệu thiết lập
   1. Tạo một dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) thùng có tên duy nhất, đó là image-classification-<ACCOUNT_ID> trong đó ACCOUNT_ID là Số tài khoản AWS duy nhất của bạn.
      

      Hình 1 Tạo nhóm

   2. Trong nhóm này tạo hai thư mục: training-data và test-data.
      

      Hình 2 Tạo thư mục

   3. Trong dữ liệu đào tạo, tạo bảy thư mục cho từng loại ung thư da được xác định trong tập dữ liệu: akiec, bcc, bkl, df, mel, nvvà vasc.
      

      Hình 3 Chế độ xem thư mục

   4. Bộ dữ liệu bao gồm các tổn thương có nhiều hình ảnh, có thể được theo dõi bởi lesion_id-column trong HAM10000_metadata tập tin. Sử dụng lesion_id-column, sao chép các hình ảnh tương ứng vào thư mục bên phải (tức là bạn có thể bắt đầu với 100 hình ảnh cho mỗi phân loại).
      

      Hình 4 Liệt kê các đối tượng cần nhập (Ảnh mẫu)

3. Sử dụng Canvas SageMaker của Amazon
   1. Tới Amazon SageMaker service trong bảng điều khiển và chọn Canvas từ danh sách. Khi bạn ở trên trang Canvas, vui lòng chọn Mở Canvas .
      

      Hình 5 Điều hướng đến Canvas

   2. Khi bạn ở trên trang Canvas, hãy chọn Mô hình của tôi và sau đó chọn Người mẫu mới ở bên phải màn hình của bạn.
      

      Hình 6 Tạo mô hình

   3. Một cửa sổ bật lên mới mở ra, nơi chúng tôi đặt tên hình ảnh phân loại làm tên của mẫu máy và chọn Phân tích hình ảnh trong phần Loại vấn đề.
4. Nhập tập dữ liệu
   1. Ở trang tiếp theo, vui lòng chọn Tạo tập dữ liệu và trong hộp bật lên, đặt tên tập dữ liệu là hình ảnh phân loại Và chọn Tạo .
      

      Hình 7 Tạo tập dữ liệu

   2. Ở trang tiếp theo, thay đổi Nguồn dữ liệu đến Amazon S3. Bạn cũng có thể trực tiếp tải hình ảnh lên (ví dụ: Tải lên cục bộ).
      

      Hình 8 Nhập tập dữ liệu từ nhóm S3

   3. Khi bạn chọn Amazon S3, bạn sẽ nhận được danh sách các nhóm có trong tài khoản của mình. Chọn nhóm chính chứa tập dữ liệu vào thư mục con (ví dụ: phân loại hình ảnh-2023 và chọn Nhập dữ liệu cái nút. Điều này cho phép Amazon SageMaker Canvas nhanh chóng gắn nhãn cho hình ảnh dựa trên tên thư mục.
   4. Khi tập dữ liệu được nhập thành công, bạn sẽ thấy giá trị trong cột Trạng thái thay đổi thành Sẵn sàng từ Chế biến.
   5. Bây giờ hãy chọn tập dữ liệu của bạn bằng cách chọn Chọn tập dữ liệu ở cuối trang của bạn.
5. Xây dựng mô hình của bạn
   1. trên Xây dựng trang, bạn sẽ thấy dữ liệu của mình được nhập và gắn nhãn theo tên thư mục trong Amazon S3.
      

      Hình 9 Dán nhãn dữ liệu Amazon S3

   2. Chọn hình ba gạch Xây dựng nhanh chóng (tức là nội dung được đánh dấu màu đỏ trong hình ảnh sau) và bạn sẽ thấy hai tùy chọn để xây dựng mô hình. Đầu tiên là Xây dựng nhanh chóng và thứ hai là Xây dựng tiêu chuẩn. Như tên gợi ý, tùy chọn xây dựng nhanh cung cấp tốc độ hơn độ chính xác và mất khoảng 15 đến 30 phút để xây dựng mô hình. Quá trình xây dựng tiêu chuẩn ưu tiên độ chính xác hơn tốc độ, với việc xây dựng mô hình mất từ ​​​​45 phút đến 4 giờ để hoàn thành. Bản dựng tiêu chuẩn chạy thử nghiệm bằng cách sử dụng các kết hợp siêu tham số khác nhau và tạo ra nhiều mô hình trong phần phụ trợ (sử dụng chức năng SageMaker Autopilot) rồi chọn mô hình tốt nhất.
   3. Chọn Xây dựng tiêu chuẩn để bắt đầu xây dựng mô hình. Mất khoảng 2–5 giờ để hoàn thành.
      

      Hình 10 Thực hiện xây dựng tiêu chuẩn

   4. Khi quá trình xây dựng mô hình hoàn tất, bạn có thể thấy độ chính xác ước tính như trong Hình 11.
      

      Hình 11 Dự đoán mô hình

   5. Nếu bạn chọn Ghi điểm tab, nó sẽ cung cấp cho bạn thông tin chi tiết về độ chính xác của mô hình. Ngoài ra, chúng ta có thể chọn Các chỉ số nâng cao nút trên Ghi điểm để xem độ chính xác, khả năng thu hồi và điểm F1 (Một thước đo cân bằng về độ chính xác có tính đến sự cân bằng trong lớp).
   6. Các số liệu nâng cao mà Amazon SageMaker Canvas hiển thị cho bạn tùy thuộc vào việc mô hình của bạn có thực hiện các dự đoán dự báo chuỗi số, phân loại, hình ảnh, văn bản hay chuỗi thời gian trên dữ liệu của bạn hay không. Trong trường hợp này, chúng tôi tin rằng việc thu hồi quan trọng hơn độ chính xác vì việc bỏ sót việc phát hiện ung thư còn nguy hiểm hơn nhiều so với việc phát hiện đúng. Dự đoán phân loại, chẳng hạn như dự đoán 2 loại hoặc dự đoán 3 loại, đề cập đến khái niệm toán học về phân loại. Các số liệu nâng cao thu hồi là tỷ lệ dương tính thực (TP) trong số tất cả các kết quả dương tính thực tế (TP + âm tính giả). Nó đo lường tỷ lệ các trường hợp tích cực được mô hình dự đoán chính xác là tích cực. Vui lòng tham khảo cái này Tìm hiểu sâu về các số liệu nâng cao của Amazon SageMaker Canvas để tìm hiểu sâu về các số liệu nâng cao.
      

      Hình 12 Số liệu nâng cao

      Việc này hoàn tất bước tạo mô hình trong Amazon SageMaker Canvas.

6. Kiểm tra mô hình của bạn
   1. Bây giờ bạn có thể chọn Dự đoán nút, sẽ đưa bạn đến Dự đoán trang, nơi bạn có thể tải lên hình ảnh của riêng mình thông qua Dự đoán duy nhất or Dự đoán hàng loạt. Vui lòng đặt tùy chọn bạn chọn và chọn Nhập khẩu để tải lên hình ảnh của bạn và kiểm tra mô hình.
      

      Hình 13 Kiểm tra hình ảnh của chính bạn

   2. Hãy bắt đầu bằng cách thực hiện một dự đoán hình ảnh duy nhất. Hãy chắc chắn rằng bạn đang ở trên Dự đoán đơn Và chọn Nhập hình ảnh. Thao tác này sẽ đưa bạn đến hộp thoại nơi bạn có thể chọn tải hình ảnh của mình lên từ Amazon S3, hoặc làm một Tải lên cục bộ. Trong trường hợp của chúng tôi, chúng tôi chọn Amazon S3 và duyệt đến thư mục của chúng tôi nơi chúng tôi có các hình ảnh thử nghiệm và chọn bất kỳ hình ảnh nào. Sau đó chọn Nhập dữ liệu.
      

      Hình 14 Dự đoán một ảnh

   3. Sau khi chọn, bạn sẽ thấy màn hình cho biết Tạo kết quả dự đoán. Bạn sẽ có kết quả sau vài phút như hình dưới đây.
   4. Bây giờ hãy thử dự đoán hàng loạt. Lựa chọn Dự đoán hàng loạt Dưới Chạy dự đoán Và chọn Nhập tập dữ liệu mới nút và đặt tên cho nó Dự đoán hàng loạt và nhấn Tạo .
      

      Hình 15 Kết quả dự đoán từng ảnh

   5. Trên cửa sổ tiếp theo, đảm bảo bạn đã chọn tải lên Amazon S3 và duyệt đến thư mục nơi chúng tôi có bộ thử nghiệm và chọn Nhập dữ liệu .
      

      Hình 16 Dự đoán ảnh hàng loạt

   6. Khi hình ảnh đã ở trong Sẵn sàng trạng thái, hãy chọn nút radio cho tập dữ liệu đã tạo và chọn Tạo dự đoán. Bây giờ, bạn sẽ thấy trạng thái của đợt dự đoán lô để Tạo dự đoán. Chúng ta hãy chờ đợi trong vài phút để biết kết quả.
   7. Khi trạng thái ở trạng thái Sẵn sàng trạng thái, hãy chọn tên tập dữ liệu sẽ đưa bạn đến trang hiển thị dự đoán chi tiết về tất cả hình ảnh của chúng tôi.
      

      Hình 17 Kết quả dự đoán ảnh hàng loạt

   8. Một tính năng quan trọng khác của Dự đoán hàng loạt là có thể xác minh kết quả và cũng có thể tải xuống dự đoán ở dạng tệp zip hoặc csv để sử dụng hoặc chia sẻ thêm.
      

      Hình 18 Dự đoán tải xuống

Với điều này, bạn đã có thể tạo thành công mô hình, huấn luyện và kiểm tra dự đoán của mô hình bằng Amazon SageMaker Canvas.

Dọn dẹp

Chọn Đăng xuất trong ngăn điều hướng bên trái để đăng xuất khỏi ứng dụng Amazon SageMaker Canvas nhằm ngừng sử dụng Số giờ phiên bản không gian làm việc của SageMaker Canvas và giải phóng tất cả các tài nguyên.

Citation

[1]Fraiwan M, Faouri E. Về việc tự động phát hiện và phân loại ung thư da bằng phương pháp học chuyển sâu. Cảm biến (Basel). 2022 ngày 30 tháng 22;13(4963):10.3390. doi: 22134963/s35808463. PMID: 9269808; PMCID: PMCXNUMX.

Kết luận

Trong bài đăng này, chúng tôi đã chỉ cho bạn cách phân tích hình ảnh y tế bằng kỹ thuật ML có thể đẩy nhanh quá trình chẩn đoán ung thư da và khả năng ứng dụng của nó để chẩn đoán các bệnh khác. Tuy nhiên, việc xây dựng mô hình ML để phân loại hình ảnh thường phức tạp và tốn thời gian, đòi hỏi chuyên môn về mã hóa và kiến ​​thức ML. Amazon SageMaker Canvas đã giải quyết thách thức này bằng cách cung cấp giao diện trực quan giúp loại bỏ nhu cầu về mã hóa hoặc kỹ năng ML chuyên dụng. Điều này cho phép các chuyên gia chăm sóc sức khỏe sử dụng ML mà không cần phải mất nhiều thời gian học tập, cho phép họ tập trung vào việc chăm sóc bệnh nhân.

Quá trình phát triển mô hình phát hiện ung thư truyền thống rất phức tạp và tốn thời gian. Nó liên quan đến việc thu thập tập dữ liệu được quản lý, xử lý trước hình ảnh, đào tạo mô hình ML, đánh giá hiệu suất của nó và tích hợp nó vào một công cụ thân thiện với người dùng dành cho các chuyên gia chăm sóc sức khỏe. Amazon SageMaker Canvas đã đơn giản hóa các bước từ tiền xử lý đến tích hợp, giúp giảm thời gian và công sức cần thiết để xây dựng mô hình phát hiện ung thư da.

Trong bài đăng này, chúng tôi đã đi sâu vào các khả năng mạnh mẽ của Amazon SageMaker Canvas trong việc phân loại hình ảnh y tế, làm sáng tỏ lợi ích của nó và trình bày các trường hợp sử dụng trong thế giới thực cho thấy tác động sâu sắc của nó đối với chẩn đoán y tế. Một trường hợp sử dụng hấp dẫn mà chúng tôi đã khám phá là phát hiện ung thư da và cách chẩn đoán sớm thường giúp nâng cao đáng kể kết quả điều trị và giảm chi phí chăm sóc sức khỏe.

Điều quan trọng là phải thừa nhận rằng độ chính xác của mô hình có thể khác nhau tùy thuộc vào các yếu tố, chẳng hạn như kích thước của tập dữ liệu huấn luyện và loại mô hình cụ thể được sử dụng. Các biến này đóng vai trò xác định hiệu suất và độ tin cậy của kết quả phân loại.

Amazon SageMaker Canvas có thể đóng vai trò như một công cụ vô giá hỗ trợ các chuyên gia chăm sóc sức khỏe chẩn đoán bệnh với độ chính xác và hiệu quả cao hơn. Tuy nhiên, điều quan trọng cần lưu ý là nó không nhằm mục đích thay thế chuyên môn và khả năng phán đoán của các chuyên gia chăm sóc sức khỏe. Thay vào đó, nó trao quyền cho họ bằng cách tăng cường khả năng của họ và cho phép chẩn đoán chính xác và thiết thực hơn. Yếu tố con người vẫn rất cần thiết trong quá trình ra quyết định và sự cộng tác giữa các chuyên gia chăm sóc sức khỏe và các công cụ trí tuệ nhân tạo (AI), bao gồm Amazon SageMaker Canvas, là yếu tố then chốt trong việc cung cấp dịch vụ chăm sóc bệnh nhân tối ưu.

Giới thiệu về tác giả

 Ramakant Joshi là Kiến trúc sư giải pháp AWS, chuyên về lĩnh vực phân tích và miền không có máy chủ. Anh ấy có kiến ​​thức nền tảng về phát triển phần mềm và kiến ​​trúc kết hợp, đồng thời rất đam mê giúp khách hàng hiện đại hóa kiến ​​trúc đám mây của họ.

Jake Wen là Kiến trúc sư giải pháp tại AWS, được thúc đẩy bởi niềm đam mê Học máy, Xử lý ngôn ngữ tự nhiên và Học sâu. Anh hỗ trợ khách hàng Doanh nghiệp đạt được mục tiêu hiện đại hóa và triển khai có thể mở rộng trên Đám mây. Ngoài thế giới công nghệ, Jake tìm thấy niềm vui với môn trượt ván, đi bộ đường dài và lái máy bay không người lái.

Sonu Kumar Singh là Kiến trúc sư giải pháp AWS, có chuyên môn về lĩnh vực phân tích. Ông là người có công trong việc thúc đẩy những thay đổi mang tính chuyển đổi trong các tổ chức bằng cách cho phép đưa ra quyết định dựa trên dữ liệu, từ đó thúc đẩy sự đổi mới và tăng trưởng. Anh ấy thích thú khi thứ gì đó anh ấy thiết kế hoặc tạo ra mang lại tác động tích cực. Tại AWS, mục đích của anh là giúp khách hàng khai thác giá trị từ hơn 200 dịch vụ đám mây của AWS và hỗ trợ họ trong hành trình đám mây của họ.

Dariush Azimi là Kiến trúc sư giải pháp tại AWS, với chuyên môn về Học máy, Xử lý ngôn ngữ tự nhiên (NLP) và kiến ​​trúc vi dịch vụ với Kubernetes. Sứ mệnh của ông là trao quyền cho các tổ chức khai thác toàn bộ tiềm năng dữ liệu của họ thông qua các giải pháp toàn diện từ đầu đến cuối bao gồm khả năng lưu trữ, khả năng truy cập, phân tích và dự đoán dữ liệu.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/