Pratik: Tıbbi görüntü veri setlerini onarmak için derin öğrenme yöntemlerini kullanın
Xinzhiyuan Derlemesi
Kaynak: wordpress
Derleme: Xiaopan
Xin Zhiyuan Rehberi Tıbbi görüntü verilerinin işlenmesi zordur ve genellikle döndürülmüş ve ters çevrilmiş görüntüler içerir. Bu makale, tıbbi görüntüleme veri setlerini minimum iş yükü ile onarmak için derin öğrenmenin nasıl kullanılacağını ve tıbbi yapay zeka sistemlerinin mevcut yapısında yüksek veri toplama ve temizleme maliyeti sorununu nasıl hafifleteceğini açıklamaktadır.
içinde Tıbbi Görüntüleme Veri depolama arşivi klinik varsayımlara dayanmaktadır. Ne yazık ki, bu, ön göğüs röntgeni gibi bir görüntüyü çıkarmak istediğinizde, genellikle diğer birçok görüntüyü saklayan bir klasör elde edeceğiniz ve bunları ayırt etmenin kolay bir yolu olmadığı anlamına gelir.
Şekil 1: Bu resimlerin aynı klasörden olması mantıklıdır, çünkü radyolojide görüntüler yerine vakaları kaydederiz. Bu, hasta yaralandıktan sonra aynı anda taranan tüm vücut parçalarıdır.
Organizasyona bağlı olarak, yatay veya dikey olarak çevrilmiş bir görüntü elde edebilirsiniz. Ters piksel değerleri içerebilirler. Dönebilirler. Soru şu ki, 50.000 ila 100.000 görüntü gibi devasa bir veri setiyle uğraşırken, bu bozulmaları bir doktorun rehberliği olmadan nasıl bulabilirsiniz?
Biraz zarif yazmayı deneyebilirsin çözüm Örneğin, çoğu göğüs röntgeni genişlikten daha uzun olduğu için, röntgenin her iki tarafında siyah kenarlıklar vardır, bu nedenle altta 50'den fazla siyah piksel sırası varsa, 90 derece döndürülebilir.
Ancak her zaman olduğu gibi, deneyimimiz başarısız oldu.
Şekil 2: Burada yalnızca ortadaki görüntü klasik "siyah kenarlığa" sahiptir
Bu hassas kurallar yukarıdaki problemleri çözemez.
giriş yazılım 2.0 ,Kullanırız Makine öğrenme Kendimizi kodlayamayacağımız şeyi inşa etmek için çözüm . Döndürülmüş resimler gibi sorunlar utanç verici şekilde öğrenilebilir . Bu, makinelerin bu görevleri insanlar gibi mükemmel bir şekilde yerine getirebileceği anlamına gelir.
Bu nedenle, en bariz çözüm, bizim için veri setini onarmak için derin öğrenmeyi kullanmaktır. Bu yazıda sizlere bu teknolojilerin uygulanabilir alanlarını, en az çabayla nasıl yapılacağını göstereceğim ve nasıl kullanılacağına dair bazı örnekler göstereceğim. Örneğin, Wang ve diğerleri tarafından geliştirilen bir tane kullanacağım. CXR14 veri seti , İyi planlanmış görünüyor, ancak bazen hala bazı kötü resimler içeriyor. CXR14 veri setini kullanırsanız, dahil edebiliriz 430 yeni etiket veri seti , Böylece kötü resimler için endişelenmenize gerek yok!
Ne kadar utanç verici bir soru
Gerçekten sormamız gereken ilk soru, şimdi sorunun şu: utanç verici şekilde öğrenilebilir Ne?
Çoğu araştırmanın normal olduğunu düşünürsek, çok ihtiyacınız var Yüksek doğruluk Bu "iyi" çalışmaların dışlanmasını önlemek için. Nişan almalıyız % 99.9 Amaç.
İşin güzel yanı, görsel olarak tanımlanabilen problemler için çok basit ve bunları iyi bir şekilde çözebiliriz. İyi bir soru, "Bu sorunu çözmek için tek bir görsel kural hayal edebiliyor musunuz?" ImageNet Veri setinin temel amacı köpek ve kedileri birbirinden ayırmaktır ve çözüm kesinlikle doğru değildir.
Çok fazla değişiklik var, çok fazla benzerlik. Bu örneği konuşmalarda sıklıkla kullanırım: Bunu görsel olarak ayırt etmek için kuralları nasıl yazacağımı hayal bile edemiyorum İki tür hayvan . Bu utanç verici bir şekilde öğrenilemez.
Ancak tıbbi verilerde birçok soru aslında çok basittir. Çünkü Tıbbi görüntü Değişiklik küçük. Anatomi, açı, ışık, mesafe ve arka plan Hepsi kararlı. Bu noktayı açıklamak için CXR14'ten basit bir örneğe bakalım. Veri kümesindeki sıradan göğüs röntgenlerinden bazıları döndürülür (bu etikette tanınmadığından hangisi olduğunu bilmiyoruz). Dönebilirler 90 derece Etrafında veya 180 derece Baş aşağı.
Bu utanç verici bir şekilde öğrenilebilir mi?
Şekil 3: Döner ve dikey göğüs röntgenleri arasındaki fark gerçekten çok basit
Cevap Evet. Görsel olarak anormal araştırma, normal araştırmadan tamamen farklıdır. "Omuzlar kalpten daha yüksek olmalıdır" gibi basit bir görsel kural kullanabilir ve tüm örneklerde doğrulanacaksınız. Anatominin çok kararlı olduğu ve herkesin omuzları ve kalpleri olduğu göz önüne alındığında, bu öğrenilebilir bir evrişimli sinir ağı kuralı olmalıdır.
"Aoao beslenmeyi bekliyor" verileri
Sormak istediğimiz ikinci soru şudur: ben Yeterli eğitim verisine sahip miyiz ?
Dönen görüntüler söz konusu olduğunda elimizde yeterli veriye sahibiz, veri üretebiliriz. Tek ihtiyacımız olan, daha sonra rastgele döndürülen birkaç bin sıradan göğüs röntgeni. Örneğin, bir numpy dizisi kullanıyorsanız, bunun gibi bir işlev kullanabilirsiniz:
def rotate (resim):
rotated_image = np.rot90 (resim, k = np.random.choice (aralık (1,4)), eksenler = (1,2))
döndürülmüş_görüntü döndür
Bu sadece saat yönünde 90, 180 derece veya 270 derece döner. Bu durumda, genellikle ikinci ve üçüncü eksen etrafında döner, çünkü birinci eksen kanalların sayısıdır (theano matris boyutlarına göre).
Not: Bu durumda, CXR14 veri kümesinde neredeyse hiç döndürülmüş görüntü yoktur, bu nedenle döndürülen görüntüyü yanlışlıkla "düzeltme" olasılığı çok düşüktür. Modelin öğrenilmesine yardımcı olacak şekilde verilerde döndürülmüş bir görüntü olmadığını varsayabiliriz. Çok fazla anormal görüntü varsa, hem normal hem de anormal görüntüleri seçmeniz daha iyi olur. Rotasyon gibi problemlerin tanımlanması kolay olduğu için, bir saatte binlerce etiket verebileceğimi fark ettim, bu yüzden fazla çaba gerektirmiyor. Bu problemler çok basit olduğundan, bu sorunu "çözmek" için genellikle sadece birkaç yüz örneğe ihtiyacım olduğunu görüyorum.
Bu yüzden normal görüntülerden oluşan bir veri kümesi oluşturduk, yarısını döndürdük ve buna göre etiketledik. Örneğimde, 2000'i döndürülen ve 2000 doğrulama seti durumunun 1000'i döndürülen 4000 eğitim vakası seçtim. Bu hatırı sayılır miktarda veri gibi görünüyor (ana kurala göre hata aralık dahilinde olduğunda 1000 örnek iyi olabilir ve RAM için uygundur, bu nedenle ev bilgisayarımda eğitim almak kolaydır .
Makine öğreniminde ilginç bir değişiklik olması için ayrı bir test setine ihtiyacım yok. Kanıt Pudding'de görülebilir: Bu modeli tüm veri seti üzerinde çalıştıracağım ve verileri kontrol ederek test sonuçlarını alacağım.
Genel olarak, bu tür işler yapmak hayatımızı değiştirebilir Kolay . Görüntüyü küçülttüm 256 x 256 Pikseller, dönüş tespiti yüksek çözünürlük gerektirmediğinden, temel ağ olarak keras kullanan önceden eğitilmiş bir resnet50 kullanıyorum. Önceden eğitilmiş bir ağ kullanmanın net bir nedeni yoktur, çünkü kullandığınız hemen hemen tüm ağlar basit bir çözüm üzerinde birleşecektir, ancak basittir ve herhangi bir yavaşlamaya neden olmaz, çünkü zaten Eğitim süresi hızlıdır. Bir dizi varsayılan parametre kullandım çünkü bu basit görev için herhangi bir ayarlama yapmam gerekmiyor.
Herhangi birini kullanabilirsiniz Ağ ve kodlama . Bir VGG-net Sadece yap. Bir Densenet Ayrıca olabilir. Aslında, herhangi bir ağ bu görevi gerçekleştirebilir.
içinde Düzinelerce yineleme Daha sonra doğrulama setinde beklediğim sonucu aldım:
Şekil 4: AUC = 0,999, ACC = 0,996, PREC = 0,998, REC = 0,994
Pekala, eğer bu utanç verici bir şekilde öğrenilebilir bir görevse, bulduğum şey tam olarak beklediğim şeydi.
Sonuç kontrolü
Daha önce de söylediğim gibi, tıbbi görüntü analizinde sonuçlarımızı her zaman kontrol etmemiz gerekiyor. Resimleri karşılaştırarak modelin veya sürecin hedeflerinize ulaştığından emin olun.
Bu nedenle, son adım tüm veri setindedir. Modeli çalıştırın ,bin tahmin , Ve sonra rotasyon çalışmasını hariç tutun. Verilerde rotasyonla ilgili neredeyse hiç araştırma olmadığı için, bunu yaptıktan sonra geri çağırma oranının çok yüksek olacağını bilmeme rağmen, döneceği tahmin edilen tüm görüntülere basitçe bakabilirim.
Bu, örneğin anormal verilerin% 5'inden fazlasını içeren çok sayıda anormal görüntüyle ilgili bir sorunsa, yüzlerce rastgele vakayı toplamak ve bir test setini manuel olarak işaretlemek daha verimli olacaktır ve ardından modelinizi takip edebilirsiniz. Uygun göstergelerde doğruluk.
Özellikle döndürülmüş olduğu düşünülen herhangi bir şey hakkında endişeliyim Normal çalışma (yanlış pozitif) Çünkü kaybetmek istemiyorum Değer eğitimi vakası . Bu aslında hayal gücünüzün ötesinde bir endişe, çünkü bu modelin belirli tipteki vakaları (belki de hastalar tembel ve eğilimli olduğunda kaydedilenler) aşırı çağırması muhtemeldir. Bu kuralları hariç tutarsak, önyargılı verileri sunacağız ve artık Sahip olmak" gerçek dünya "Veri kümesini temsil eder. Bu açıkça doğru Tıbbi veriler Çok önemli, çünkü amacımız gerçek bir klinikte çalışabilecek bir sistem kurmak.
Toplamda model, 171 Durum, "döndürülmüş" bir görüntü olarak tanımlanır. İlginç bir şekilde, aslında dönmeyen birçok anormalliği tanımlayan bir "anormallik" detektörüdür. Bu mantıklı çünkü anatomi öğrenmede bir dönüm noktası olabilir. Dönen filmler veya diğer vücut parçalarının röntgenleri gibi anormal şeyler bu modelden farklı şekilde etiketlenir. Böylece, normalde döndürülmemiş görselleri bulmaktan çok daha fazla sonuç elde ederiz.
Seçilen 171 tahminden 51'i döndürülmüş ön göğüs röntgeni idi. Gülünç derecede düşük yaygınlık göz önüne alındığında (120.000'de 51), bu zaten çok düşük bir yanlış pozitif oran.
Şekil 5: Döner göğüs radyografisi örneği
Kalan 120 vakanın 56'sı frontal göğüs radyografisi değildi. Ağırlıklı olarak yan fotoğraflar ve abdominal röntgenler. Her neyse, bunlardan hala kurtulmak istiyorum.
Ya geri kalanı? Bir tane var Karışık araştırma Yani, görüntü çok sayıda siyah veya beyaz sınır içerir, araştırmanın ortadan kaldırılması, yani görüntünün tamamı gri, ters piksel seviyesi araştırması vb.
Toplamda yaklaşık 10 araştırma var ve buna " Yanlış pozitif "(Bu, seçilen görüntünün kaydetmek isteyebileceğim önden bir röntgen olduğu anlamına gelir). Neyse ki, onları tekrar eklemek isteseniz bile, yalnızca 171 tahmin , İlerlemesi çok kolay Manuel yönetim .
Dolayısıyla, dönüş detektörü diğer bazı problemleri (piksel değeri ters çevirme gibi) kısmen çözüyor gibi görünüyor. Ne kadar iyi olduğunu bilmek için diğer kötü durumları gözden kaçırıp kaçırmadığını kontrol etmemiz gerekir. Bunu test edebiliriz çünkü piksel değerinin ters çevrilmesi kolaylıkla veri üretebilir (görüntüdeki x için, x = max-x).
Utanç verici bir şekilde öğrenilebilir konu burada tekrar belirtilmelidir. Bu durumda, makine öğrenimi olmadan bunu yapmanın bir yolu olabilir (histogram çok farklı görünmelidir), ancak aynı zamanda çok basittir.
Öyleyse, bu belirli detektör, dönen detektörden daha fazla ters sekans buldu mu? Evet. Dönen dedektör tüm veri setinde 4 bulurken, ters çevirme dedektörü 38 ters çalışma buldu. Yani dönen detektör, zayıf araştırmanın sadece bir kısmını buldu.
Kitap geri döndü: Her sorunu çözmek için tek bir model eğitmek doğru yaklaşımdır.
Bu nedenle, ek veri temizleme görevlerini tamamlamak için belirli bir modele ihtiyacımız var.
Taştan damlıyor
Az miktarda etiket verisinin yararlı olduğunu kanıtlamak için kullanıyorum Rotasyon detektörü (N = 56) Yatay ve kötü alanların filmleri çekildi ve bunlarla ilgili yeni bir model eğitildi. Çok fazla veriye sahip olmadığım için HOG wild kullanmaya ve doğrulama setini kullanmamaya karar verdim. Bu görevler utanç verici bir şekilde öğrenilebilir olduğundan,% 100'e yaklaştığında, genelleme yeteneği iyi performans gösterecektir. Açıkçası fazla egzersiz yapma riski var, ancak yine de risk almayı seçiyorum.
Deney, sonucun çok iyi olduğunu kanıtladı! Ayrıca yüzlerce başka yan görüntü, abdominal görüntü ve bazı pelvik görüntüler buldum.
Açıkçası, bu veri setini sıfırdan oluşturursam, bu sorunu çözmek daha kolay olacaktır çünkü birçok ilgili ön olmayan göğüs görüntüsü elde edebilirim. Benim için, şimdi olduğundan daha iyisini yapmak için, yerel hastane arşivlerimden bir dizi görüntü almam gerekiyor, bu da bu makalenin kapsamı dışındadır. Bu yüzden başarıların çoğunu elde ettiğimden emin değilim, ancak bu kadar küçük bir veri kümesinden oldukça iyi bir çaba.
CXR14 ile ilgili verilere ek olarak, modelimin çocuk görüntüleri üzerinde kötü performans gösterdiğini fark ettim. Bu pediatrik görüntüler, görünüş olarak yetişkin görüntülerinden farklıdır ve dönen dedektör, tersine çevrilmiş dedektör ve bozuk parça dedektörü tarafından "anormal" olarak tanımlanırlar. Göz ardı edilmeleri gerektiğini, ancak hasta yaşlandıkça etikete dahil edilmelerini öneriyorum, böylece derinlemesine çalışma yapılmadan yapılabilir. Veri setinde 5 yaşın altında sadece 286 hasta olduğunu göz önünde bulundurarak, o yaştaki hastaları özellikle incelemek istemediğim ve tıbbi görüntüleme perspektifinden gerçekten ne yaptığımı gerçekten bilmediğim sürece, kişisel olarak tüm hastaları dışlayacağım. Bak. Aslında, 10 yaşın altındaki herkesi dışlayabilirim çünkü bu makul bir yaş, vücut şekli ve patolojik özellikleri açısından daha "olgun" olarak kabul edilebilir. 10 yaşın altındaki kişiler arasında, yaklaşık% 1'i oluşturan yaklaşık 1.400 vaka var.
Kitap geri döndü:
Çocuklarda göğüs röntgeni yetişkinlerden çok farklıdır. 10 yaşın altındaki verilerin yalnızca verilerin yaklaşık% 1'ini oluşturduğu düşünüldüğünde, iyi bir neden olmadıkça hariç tutulmalıdır.
Korkunç Konumlandırma ve yakınlaştırma Görüntü bir sorun haline gelebilir, ancak göreve bağlıdır.Kasti olarak "kötü görüntü" tanımlamak tüm görevler için imkansızdır. Yapmak istediğim bu değil. Bir şey daha göreve özgüdür.
Genel olarak, basit veri temizleme sorunlarını çözmek için derin öğrenmeyi kullanmak iyi sonuç verir. Yaklaşık bir saat sonra, veri kümesindeki döndürülmüş ve ters çevrilmiş görüntülerin çoğunu temizledim. Diğer vücut parçalarının yanal görüntülerinin ve görüntülerinin büyük bir bölümünü tanımlamış olabilirim, ancak onlar için özel dedektörler yapmam gerektiğinden eminim. Orijinal veriler olmadan, bu basit blog için bu çok uzun.
Daha geniş bir perspektiften CXR14 verileri Çok yok Görüntü hatası . Ulusal Sağlık Enstitüleri'ndeki ekip, verilerini iyi bir şekilde derledi. Bununla birlikte, tıbbi veri setlerinde bu her zaman geçerli değildir. Yüksek performans oluşturmak istiyorsanız Tıbbi yapay zeka sistemi , Araştırma görevlerinin gürültüsüyle başa çıkmak için klinik altyapıyı kullanmalıyız.
Daha fazla değerlendirme
Şimdiye kadar, çok basit bazı zorlukları çözdük, ancak tıbbi görüntülemede karşılaştığımız tüm problemler o kadar basit değil.
Ekibimiz, büyük bir kalça kırığı veri kümesi oluştururken bu teknikleri uyguladı. Diğer vücut bölgelerinden görüntüleri dışladık, kalça protezi gibi metal implantlı vakaları dışladık, kalça bölgesini de genişlettik ve kalçada oluşmayan kalça kırıkları gibi sorunumuzla ilgisi olmayan görüntü alanlarını sildik. Durum.
Metal çıkarma problemini otomatik bir metin madenciliği süreciyle hayata geçirdik.Bu protezler neredeyse her zaman göründükleri aynı zamanda bulunurlar, bu yüzden implantlarla ilgili anahtar kelimeler buldum. Bu etiketler yaklaşık 10 dakika içinde oluşturuldu.
Vücut kısmında Yanlış tespit ve yanlış sınırlayıcı kutu tahmini Bu durumda, etiketleri otomatik olarak oluşturmanın bir yolu yoktur. Yani doğrudan manuel olarak işlenir. Sınırlayıcı kutu tahmini kadar karmaşık bir şey için bile (bu aslında anatomik bir dönüm noktası tanımlama görevidir), sadece yaklaşık olarak 750 vaka Her veri kümesi yalnızca yaklaşık bir saat sürdü.
Bu durumda, sonuçları ölçmek için manuel olarak etiketlenmiş bir test seti kullanırız. Kağıtlarımızdan birinden:
Bir kırık problemini işaretlemenin aylar sürdüğünü düşünürsek, ek Temiz bir veri seti elde etmek için bir veya iki saat küçük bir fiyattır. Ve sistem artık herhangi bir klinik görüntüyü kabul edebilir ve bilgimizi kullanarak, alakasız veya düşük kaliteli görüntüleri otomatik olarak hariç tutabilir. Bu, model tarafından analiz edilen tüm görüntüleri sizin için işleyecek birini işe almak istemiyorsanız, tıbbi bir yapay zeka sisteminin gerçek hayatta nasıl uygulanabileceğinin bir örneğidir.
sonuç olarak
Hepimiz derin sinir ağlarının, yeterli veri olduğu sürece görme problemlerini çözmek için insanlar kadar iyi olduğuna inanıyoruz. Ancak, "Yeterince veri "Çok şey göreve bağlıdır Zorluk.
için Tıbbi görüntü analizi Sorunun bir kolu, tıbbi veri setlerini oluştururken genellikle çözmemiz gereken bir sorundur.Görev çok basittir, bu da sorunu az miktarda veriyle çözmeyi kolaylaştırır. Genellikle, modelin görüntüyü tanıması için yalnızca bir saatten az zamana ihtiyacı vardır, ancak doktorun her veri seti için birkaç saat harcaması gerekir. Manuel işleme .
Bu yöntemin bir kanıtı olarak ve blogumu okuyan okuyuculara teşekkür etmek için, CXR14 veri kümesini hariç tutmak için yaklaşık 430 kötü görselden oluşan bir etiket kümesi sağladım ve gerçekten bilmediğiniz sürece 10 yaşın altındaki yaklaşık 1.400 çocuğu hariç tutmanızı önerdim. Bu verileri neden saklamalısınız? Bu, herhangi bir makalenin sonuçlarını değiştirmeyecek, ancak bu veri kümelerinin görüntü netliği ne kadar yüksek olursa o kadar iyidir.
Burada gösterdiğim sonuçların herhangi bir teknik yeniliği yok, bu yüzden ilgili resmi bir makale yazmıyorum. Ancak, yeni veri kümeleri oluşturan bizler, özellikle derin öğrenme deneyimi olmayan doktorlar için, umarım bu, yazılım 2.0'ın veri sorunlarınızı büyük bir sırayla nasıl çözebileceği konusunda bazı fikirleri tetikleyebilir, çünkü bu manuel olmaktan daha fazlasıdır. Yöntem daha fazla emek tasarrufu sağlar. Şu anda, harika bir tıbbi yapay zeka sistemi oluşturmanın önündeki ana engel, veri toplama ve temizlemenin yüksek maliyetidir.Bu durumda, derin sinir ağları gerçekten çok kullanışlı değil.
Tüm resimlerimi Windows Dosya Gezgini'nde kontrol ettim!
Adresimi bu blog yazısının sonuna ekledim ve alanımdaki rotasyon detektörü için tahminler yapıyorum.
Sadece görmek istediğim vakaları yeni bir klasöre aktarıyorum ve ardından klasörü açıyorum ("büyük simge" görünüm modunu kullanarak). Bu boyuttaki bir görüntü, ekran yüksekliğinin yaklaşık dörtte biri kadardır ve çoğu ekranda algılanabilecek kadar büyüktür Eşit döndürme İstisna. Büyük kullandığımda Anormal işaret Resimler için, klasördeki tüm örneklere tıklamak için ctrl tuşuna basıyorum ve sonra bunları kesip yeni bir klasöre yapıştırıyorum. Her saat böyle yapıyorum 1000 veri işleme Sırrı.
Tıpkı bu sistemin karmaşası gibi, çevrimiçi depolardan veya kendimden yazdığım çoğu şeyden çok daha iyi.
Dosyaları taşımak için kullanılan python kodu çok basittir, ancak verileri oluştururken en çok kullandığım koddur, bu yüzden eklemem gerektiğini düşündüm:
pos = rotation_labs
Bu durumda, rotationlabs, görüntü dizinini / dosya adını ve durum için model tahminini depolayan bir panda veri çerçevesidir. Bunun bir alt kümesini sadece olumlu örneklerle bir veri çerçevesine çevirdim.
konumdaki i için:
fname = "F: / cxr8 / göğüs dizileri / resimler /" + i
shutil.copy (fname, "F: / cxr8 / veri oluşturma / rotasyon /")
Tüm bunlar ilgili resimleri yaptığım "rotasyon" adlı bir klasöre kopyalamak.
Sonra o klasöre gidip bir bakabilirim. Biraz manuel yönetim yaparsam ve bu resimleri tekrar okumak istersem, o zaman çok basit:
new_list = os.listdir ("F: / cxr8 / veri oluşturma / rotasyon /")
William Gale bu alandaki olağanüstü ortak yazarımdır. Lisans derecesinden mezun olduktan sonra Microsoft'ta başarıyla bir ML araştırma pozisyonu elde etti ve şimdi esas olarak dil konularına odaklanıyor. Dikkate değer.
Bu etiketleri bir süre içinde düzelteceğime söz verdiğimi biliyorum, ancak bu sadece doktoram nedeniyle askıya alındı. Aslında, verilerin yeniden tanımlanmasını araştırıyorum, bu yüzden lütfen bu blogu takip edin.
Topluluğa katıl
Xinzhiyuan AI teknolojisi + endüstri topluluğunun işe alımında, AI teknolojisi + endüstri uygulamasına ilgi duyan öğrenciler, gruba katılmak için küçük bir WeChat hesabı ekleyebilir: aiera2015_1; incelemeyi geçtikten sonra gruba katılmaya davet edeceğiz. Topluluğa katıldıktan sonra grubu değiştirdiğinizden emin olun Açıklamalar (isim-şirket-pozisyon; profesyonel grup incelemesi katıdır, lütfen anlayın).
