智慧医疗的发展背景生老病死，是每个人都无法逃避的过程。只要你活着，就有可能生病；只要生病，就需要就医。所以，医疗是每个人的刚性需求，也是国家重要的民生领域。医疗服务质量的好坏，直接影响了居民的生活幸福指数。改革开放以来，随着经济的不断发展，各级政府都在持续加大对医疗软硬件基础设施的投入，我们的就医体验也有了明显的改善和提升。但是，正如大家所看到的，问题仍然很多，体验依旧无法让人满意。医疗，也和教育、住房一起，被称为21世纪压在老百姓身上的“新三座大山”。站在医护人员的角度，从业幸福度也不算高。繁重的工作压力，加上频繁出现的医闹甚至伤医事件，让白衣天使们战战兢兢、时刻不敢放松警惕。除了亟待改善的居民就医体验和医护人员从业体验之外，整个国内医疗行业还面临着更加复杂的内外部形势变化。首先，就是众所周知的人口老龄化。根据数据显示，目前我国60岁以上的老人数量已经达到了2.5亿。预计到2025年，这一数字将达到3亿。我们正在加速迈入深度老龄化社会。人口老龄化，将直接导致老年群体医疗、保健需求的急剧增长，对社会医疗资源形成更大的压力。第二个趋势，是慢性病患病率的增加。经济的快速发展，改善了居民的生活质量，也推高了肥胖症、糖尿病、脂肪肝等“富贵病”的发病比例。这些慢性疾病，产生了长期用药和治疗成本，同样增加对社会医疗体系的压力。2019年，我国因慢性病导致的死亡占总死亡88.5%。其中，心脑血管病、癌症、慢性呼吸系统疾病死亡比例为80.7%。第三，是医疗资源的极度失衡。这就不用多说了。以医院数量为例，国内优质的三甲医院资源主要集中于一二线大城市，尤以北上广为最。经济欠发达地区，医疗资源远远不足。第四，是医疗专业技术人才的缺失。据《全国医疗卫生服务体系规划纲要（2015—2020 年）》，2020年国内每千常住人口执业（助理）医师数为2.5人，每千常住人口注册护士数3.14人，远低于发达国家平均水平。医疗专业技术人才的培养周期很长，年轻人越来越不愿意学医，导致人才紧缺度加剧。第五，是公共卫生突发事件的挑战。没错，目前仍在肆虐的COVID-19新冠疫情，就是一个典型例子。新冠疫情的发生，暴露了医疗卫健系统在应对突发事件时的不足。它也给我们展示了，在极端情况下，医疗体系的接纳能力和运行效率将面临无比巨大的考验。我们到底有没有更好的办法，用更先进的手段，来应对此类危机？这次新冠疫情，到底给我们的卫健体系带来了什么样的启示？这些，都值得深入思考。总而言之，在上述各种复杂形势变化的影响下，整个医疗行业可以说是鸭梨山大。医院、政府有关部门以及行业企业，都在绞尽脑汁想办法，看如何才能弥补医疗资源的不足、促进医疗效率的提升，改善就医行医体验。除了在医疗技术上继续进行研究之外，人们发现，合理利用来自数字科技的赋能，很可能是解决问题的“金钥匙”。于是，智慧医疗，闪亮登场了。什么是智慧医疗究竟什么是智慧医疗？其实，智慧医疗是一个很“虚”的概念。不同的人，对智慧医疗有不同的理解。有人觉得它是一门学科、一种技术，也有人觉得它是一个平台、一套体系，甚至一种商业模式。智慧医疗是一种理念。它是医疗信息化最新发展阶段的产物，是5G、云计算、大数据、AR/VR、人工智能等技术与医疗行业进行深度融合的结果，是互联网医疗的演进。说到医疗信息化，大家应该不会觉得陌生，早在上世纪八九十年代，我们国家就效仿国外，引进了医疗信息化技术。当时，少数有条件的大型医院，购置了计算机软硬件，建立IT系统和数据库，用于改进医院管理工作流程，推动效率提升。医疗信息化的最初落地成果，主要集中于医院的财务结算系统，以及药品等医疗物资的管理系统。进入21世纪后，随着IT技术的进一步成熟，以及互联网的爆发，医疗信息化进入2.0阶段。越来越多的医院，开始自建机房和网络，购买和使用HIS（医院信息系统，后面会详细介绍）等信息化管理系统。电子病历、自助服务机等新生事物，也陆续出现并在沿海经济发达地区的医院普及。2010年后，智能手机和移动互联网蓬勃发展，再次刺激了医疗信息化技术的升级和演进。越来越多的医院推出了远程手机APP挂号、APP查看报告等基于移动互联网的便利就医服务。我们姑且称之为3.0时代。互联网医院这一概念，也诞生于这一时期（2014年）。它的主要推动者，是阿里、腾讯等互联网公司。如今，在5G、人工智能等新兴技术的推动下，医疗信息化又进入了新阶段。大量的5G医疗场景出现，数字化、网络化、智能化的医疗设施和解决方案，真真切切地来到了我们的面前。尤其是新冠疫情期间，各种IT和通信技术融入传统医疗场景，赋能医疗机构和医护人员，为我们战胜疫情提供了巨大的帮助。这意味着，医疗信息化已然迈入4.0时代，也就是“智慧医疗”时代。这里，有一个经常被混淆的概念需要澄清。很多人觉得，医疗就是医院，智慧医疗就是智慧医院。这显然是不对的。医疗是一个很宽泛的概念。从场景来看，医疗既可以发生在医院，也可以发生在家庭和社区。从阶段来看，医疗既包括诊断和治疗，也包括预防、筛查以及康复。所以，医疗大于医院，智慧医疗也大于智慧医院。智慧医院，属于智慧医疗的一个分支。有意思的是，针对智慧医院，国家卫健委曾经明确指出过它的三大工作范围，分别是：面向医务人员的“智慧医疗”，面向患者的“智慧服务”，面向医院管理的“智慧管理”。这么一看，“智慧医院”怎么又包括了“智慧医疗”？其实，小枣君个人认为，上面所说的“医疗”，意思更接近于“治疗”，针对的是诊断治病场景。我们或者可以将其称为“狭义的智慧医疗（智慧治疗）”。2020年，国家明确将“新基建”作为重点战略，进行大力推进。与此同时，“大健康”战略也在稳步向前发展。“新基建”+“大健康”，对智慧医疗来说，都是重大利好，是难得的发展机遇。加上我们前面提到的那五大形势背景，智慧医疗的前景可以说是非常广阔。智慧医疗的最终目标，概括来说，就是：为患者提供优质、高效、安全的医疗服务，降低医务工作人员的工作负荷，提升医疗效率，普及医疗健康知识，宣贯公共卫生政策，提高国民身体健康素质，加强医疗资源共享，降低社会医疗成本更有效地防范和应对公共卫生突发事件。

脑机接口技术是否会被滥用也是一个道德问题，我们需要共同努力去理解如何善用事物，而不是将其用于坏事

ioc平台测试版本为22.0.0；

非常感谢！！！金域医学联合华为举办这场《2022“域见杯”医检人工智能开发者大赛》疯狂比赛的那段时光，现在还历历在目，“疯狂”，“废寝忘食”，“彻夜难眠”，用这几个词形容一点都不为过通过比赛即可以在自己的专业方向和高水平的团队巅峰对决，弥补自己再专业方向不足之处，又可以获得一份荣誉和现金奖励作为一个即将毕业的研究生，这是求职很好的敲门砖，为能进更好的企业做铺垫接下来是经验分享，有兴趣的童鞋，可以看看，谢谢捧场!!!竞赛题目：本赛题任务是对DCCL宫颈深部细胞学病变（Deep Cervical Cytological Lesions）图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC，见“数据说明”部分）进行分类。赛题数据： 数据集包含 8619 张宫颈细胞学图片，图片中总共包含7种细胞，其基本信息如下图所示。同时数据包含多种分辨率:2118*1270、4000*2400等。  当前图像分类模型的研究多针对特征明显的单一尺度数据，此次比赛的数据属于弱特征多尺度数据解题思路： 探索性数据分析：整体方案:传统宫颈深部细胞学病变分类方法多基于手工提取特征进行分类模型构建，本次比赛的数据属于弱特征多尺度数据，手工提取特征困难。本方法采用了基于ConvNeXt和多种数据增强的基本思路，其在免除大规模特征工程的同时具有准确率高、鲁棒性强的特点研究难点(结合具体数据集)1.训练数据特征较弱（抗干扰）;2.AB数据集尺度不同（适应性）;3.模型预测准确有效（准确性）。数据预处理网络设计与训练​​​​​​​数据预处理推理优化​​​​​​​总结​​​​​​​数据预处理数据预处

基于ConvNeXt的宫颈深部细胞学病变分类方法，以下是我们的经验分享

前言 大家好，我是“彩虹童子”赛队的队长，比赛前期曾用名“为人类医疗做贡献”，然后中期排名掉到后面了自觉我不配😀，于是换了“彩虹童子”的名字，出自最近在看的一本推理小说。 这次也是单人参赛，有幸拿下第一，在此做个简单的分享，我的GitHub主页：https://github.com/fire717， 欢迎多多交流、互相学习。  分享 首先是简单的赛题分析，给出的标签是4分类的类别标签，数据量略偏少。 然后做个简单的EDA，初步感受是第四类数量较少，可能存在数量不平衡的问题，右下角是前期模型计算的混淆矩阵，可以看出反而是前三类比较不好区分（当然跟第四类本身数量少有关系，只是说明数量不平衡没那么严重）。 尺寸整体比较平均，但是也分布在多个不同的尺寸。 接着就是建模了，中期尝试了回归、多标签的方案，其中多标签在a榜也取得了不错的成绩。 Why 回归：四种细胞其实对应了不同的疾病严重程度，单纯的多分类对每个类别是不做区分的，而实际意义上，正常和低级病变的类间距，应该要小于正常到癌变的类间距才是合理的； Why 多标签：这是细胞粒度的分类，但是标签确实图片粒度的，即同一张图上，可能存在正常、低级、高级、癌变四种细胞，但是只取最严重的癌变作为图片的标签，这样也就丢失了信息。 但是最后还是选择了普通的多分类方案，一是标签没有给出那么细的粒度，我尝试自己研究了下各类细胞特征，找了不少文档资料，但是发现还是比较难；二是为了方便优化，可能这就是所谓的大道至简吧。  然后就是一些常见的炼丹操作了。 之前不少比赛项目都尝试过冻结，这还是第一次涨点，我的认知是模型容量、复杂度和任务难度、数据量等都是需要相互匹配的，这个赛题数据量不多，且线上线下有巨大的gap，因此尝试了下冻结前面的conv层，效果还可以。 最后是喜闻乐见的消融实验环节，这里只有后四个是在b榜的真实分数，前面的都是根据a榜的分差换算到b榜的估计分数。 初赛的时候不知道复赛的内容，就在早期跑过一次全量数据，后面一直没用全量数据跑，复赛发现就加了200数据，于是自己换了全量数据训练就上去了。  感想 工作中主要从事智能安防领域，第一次参加医疗AI的项目，收获很多，也深觉这个方向有巨大的意义，感谢广州市科学技术局、金域医学以及华为云提供的这次机会，也希望有一天能看到医疗AI普惠到千万家庭中去。 

赛题回顾以宫颈癌筛查为主题，提供近1万张辅以病理医生专业标注的宫颈细胞学图片。选手利用这些图片及标注开发人工智能分类算法，判断图片中细胞的病变程度，最后根据分类的准确程度进行排名。 有以下几个比赛要点：宫颈深部细胞学病变图像数据库中的7种细胞分为4个类别（NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC）；以严重程度最高的病变细胞的类别作为该图片的标签；使用图片识别准确率（recognition accuracy）作为评价指标；基于ModelArts提交模型，限制1小时内完成推理；允许对数据进行额外标注（补充条款）。注意到第5条补充条款，主办方给的是分类的数据，但是允许额外标注，比如标注分割或者检测，则标签的粒度会更细，可转换为分割+分类，或者是检测+分类问题，理论上准确率会更高，有部分选手采用此方案，限于本人的非医学背景，放弃该方案。数据分析数据初探上图是官方给出的细胞类别，包括3大类的7种细胞：鳞状上皮内癌前病变细胞、癌症细胞和未见上皮内病变或恶性肿瘤的细胞； 根据病变程度合并相近的种类，最终得到4大类：NILM、ASC-US&LSIL、ASC-H&HSIL、SCC&AdC。观察4个类别图片，容易得出以下简单结论：细胞形态多样化，无法单纯依靠颜色进行区分；非专业人士很难进行检测框标注，额外标注使用目标检测的方案不现实；病变目标占比很小，不易区分。数量分布对训练数据进行统计通过观察数据分布，可以得出以下结论：类别分布不均衡，比例大致为5:9:4:1癌变细胞SCC&AdC数量最少，只有435张可能为长尾问题尺寸分布对于训练图片的大小，有以下结论：数据集中存在多种分辨率图片，且分辨率较大；数据集的图片宽高比集中，约为1.67。数据集特点总结存在多种分辨率的图片，图片比例几乎一致，宽：高=1.67；癌变细胞SCC&AdC数量相对较少，可能存在长尾问题；图片分辨率大，但是病变目标占比小，不易区分；细胞形态比较多，训练集总数只有8千多张；非专业人士无法进行额外标注。方案设计模型选择问题1：什么样的模型精度高且速度快？方案：从ImageNet的benchmark选取几个最优作为候选，实验后选择ConvNeX-T. 同颜色表示同家族模型，圆圈越大表示FLOPS越高，计算量越大；同等计算量下，ConvNeXt精度优于Swin和ViT；在比赛数据集上，相同输入大小和数据增强下，ConvNeXt的确优于Swin和ViT。经验：兼顾速度与精度，ImageNet上的表现依旧值得参考！问题2：更大的模型还是更大的输入？方案：同等计算量下，更大的输入提升更多，选择600x960的输入+ConvNeXt-T模型。 对于同一个模型，在不超时的情况下，输入越大越好！保持输入宽高比在1.67左右。数据增强问题3：如何通过数据增强提高泛化性？方案：RandomGridShuffle、Random Horizontal Flip、 Random Vertical Flip输入宽高比为1.6，近似于3:2，固选择水平方向平均切割3份，竖直方向平均切割2份，随机打乱后重组，概率为0.1；水平翻转，概率为0.5；垂直翻转，概率为0.5。RandomGridShuffle概率不应过大，否则会生成大量不合理的样本，产生副作用！尝试过的其它方案：Resize + RandomCrop，几乎无作用；Random Brightness，几乎无作用；ColorJitter，改变图像对比度，亮度，色彩等，分数下降较多。可能原因：RandomCrop 对数据多样性增加较少；该数据集的分类对颜色比较敏感，过度使用可能会产生不合理样本，导致学习错误特征。损失函数问题4：选用何种损失函数，是否加权解决长尾问题？方案：使用交叉熵（Cross Entropy），不加权。可能原因本数据集的长尾问题并不是非常严重，总体比例为5:9:4:1，没有数量级的差距；线下训练集的数据分布和线上测试集的数据分布不一致，导致加权参数不正确，没有起到作用。训练策略问题5：如何训练保证模型快速收敛且具有更高的精度？方案：经验参数+实验，训练方法很重要！LR：3e-4Warm up: exp for first 3 epochs优化器：AdamWBatch size: 24Scheduler: ConsineAnnealingEpochs: 30尝试过的其它策略：原图分辨率较大，通过将大图分割成小块，分别输入网络学习冻结部分模型参数，使用训练数据fine-tuningBatchMixup、BatchCutMix标签平滑Label Smooth训练框架使用mmclassification进行训练；数据预处理、数据增强、模型、损失函数、优化器等功能完备；配置文件模块化，不用修改训练代码，专注优化策略。线上推理使用对象存储提交模型包推理，提供customize_service.py、model、config.json，流程简单，安装依赖较慢；使用自定义Docker镜像方式，FastAPI封装http接口，提交自定义镜像，无需线上安装依赖，启动速度快。经验总结进行数据分析是一个良好开端，可以提取有用信息指导后续模型选择以及策略开发，做到有的放矢；站在巨人的肩膀上工作，开源数据集上的基准测试对模型选择有很大的参考意义，可以节省时间，快速决策；适合方为好，根据实际数据选择合适的数据增强，才能提高泛化性，一味堆砌只会失去方向，一次添加一种，大胆假设，小心求证；多总结业内通用做法，可以少走弯路，同一模型，采取不同的优化方法差异较大，不合适的训练策略可能让你与好模型失之交臂。展望人工智能与生物医学学科交叉人才稀少，限制了人工智能技术在生物医学领域的应用，本次医检人工智能大赛吸引更多人工智能人才加入医疗领域，推动了医检乃至医疗行业向智慧医疗迈进；金域医学深耕医检领域28年，拥有全国最多的专业病理医生团队，积累了千万级别的宫颈癌筛查数据，在业界有得天独厚的数据优势。希望下一届比赛可以共享更多数量、种类的标注数据，探索更加精准、场景更加广阔的行业应用；华为云的ModelArts是面向开发者的一站式AI开发平台，本次比赛提供了易用的部署推理服务，希望下一次比赛能体验端到端的人工智能模型开发流程，共同推动国产人工智能平台的发展。

赛题描述本次大赛结合医检行业特色，以宫颈癌筛查为主题，提供近1万张辅以病理医生专业标注的宫颈细胞学图片。利用这些图片及标注开发人工智能分类算法，判断图片中细胞的病变程度，并进行分类。 赛题任务任务指标：  识别准确率 = 识别正确的图片数 / 图片总数推理时间要求：  计算资源规格为“CPU: 2 核 8GB”，一小时内完成1800张图像预测数据分析数据处理模型选择总结致谢

一、 组网二、 版本配套三、 WAC配置方法一： 通过命令行配置：1、 配置cpe-tunnel-profile，并绑定在vap-profile下。（该部分与21.1版本一致）2、 vap模板下需配置 iconnect parse-url enable3、 ap系统模板下需配置local-management enable方法二：通过页面配置：1、 配置-》AP配置-》模板管理-》无线业务-》CPE隧道模板下，配置cpe-tunnel-profile，并在配置-》AP配置-》模板管理-》无线业务-》VAP模板下，绑定CPE模板。（该部分与21.1版本一致）​2、 配置-》AP配置-》模板管理-》无线业务-》VAP模板下，选择模板，高级配置，使能解析iconnect URL：3、 配置-》AP配置-》模板管理-》AP-》AP系统模板下，选择高级配置-》系统管理，使能AP本地管理四、 CPE配置登录CPE，确认版本为R22C00，关闭iconnect，手动关联信号。注：iconnect与手动关联信号冲突，只能保留一种关联信号的方式。五、检查CPE状态1. WAC上wlan视图下，输入命令查看CPE信息# dis cpe all2. 下发命令格式：下发至指定单台CPE： # set-cpe-command cpe-id IC1-suchdo-SG1229-CPE-21BOM1229CSD21000001 <纳管命令>下发至关联在指定ap-group下的CPE： # set-cpe-command ap-group default <纳管命令>下发至关联在指定ap下的CPE：# set-cpe-command ap-id 0 <纳管命令>下发至所有CPE：# set-cpe-command all <纳管命令>3. 查询命令下发结果：# dis wlan cpe-command-record cpe-id IC1-suchdo-SG1229-CPE-21BOM1229CSD21000001 注： 只显示指定CPE上执行的最新20条命令结果，命令编号从大往小显示，AC重启后编号从0开始统计。4. 清空统计的下发结果：# reset wlan cpe-command-record cpe-id IC1-suchdo-SG1229-CPE-21BOM1229CSD21000001 5. AP上可查看下发过程及结果（注：此步为dfx手段，依据下发指令编号，命令只显示前半部分。）诊断视图： # dis cpe-command-record history注：只保留最新的20条数据。重启后数据清空。

详情参见附件

行业资讯一览亚马逊宣布39亿美元收购医疗保健提供商One Medical7月21日，亚马逊宣布将以39亿美元收购医疗保健提供商One Medical。One Medical是一家致力于提供低成本、高质量护理服务的保健组织，以技术推送数字和虚拟护理服务的结合。目前这笔交易还需要等待One Medical股东和监管部门的批准，不过亚马逊表示，收购完成后，One Medical的CEO职位仍将由Amir Dan Rubin担任。（来源：品玩）支付宝未来一年将投入百亿资金资源，支持商家数字化在7月21日举行的支付宝合作伙伴大会上，支付宝宣布，未来一年，将投入100亿资金资源，持续助力实体经济，帮助商家、服务商降本提效。据了解，这100亿资金资源将重点用于两大部分，一是对商家、服务商的费率优惠及返佣，助力降本；二是为商家、服务商提供免费公域流量激励，侧重提效。（来源：36氪）十一部门：实施智慧健康养老产业发展行动国家卫生健康委等十一部门联合印发《关于进一步推进医养结合发展的指导意见》提出，依托全民健康信息平台和“金民工程”，建设全国老龄健康信息管理系统、全国养老服务信息系统，全面掌握老年人健康和养老状况，分级分类开展相关服务。实施智慧健康养老产业发展行动，发展健康管理类、养老监护类、康复辅助器具类、中医数字化智能产品及家庭服务机器人等产品，满足老年人健康和养老需求。（来源：36氪）华为云：一切皆服务，共建全场景智慧金融7月20日，华为全球智慧金融峰会2022在新加坡隆重召开。华为云推出分布式新核心方案（Cloud Native Core Banking）, 为传统银行及新型数字银行提供敏捷创新能力的核心基础。同时，华为云提出金融行业数字化转型的三大趋势：全面云化、数智融合、全场景智联。华为云Marketing部部长董理斌在峰会上发表主题演讲“一切皆服务，共建全场景智慧金融”。（点击了解更多）华为张迪煊：持续创新，共建高质量算力网络，推动数字经济腾飞近日，由北京信百会信息经济研究院主办、华为技术有限公司协办“信息化百人会第八届信息战略论坛”在北京举行。本届论坛以“算力时代，东风正起——东数西算的战略抉择与产业创新”为主题，汇聚了政产学研用等产业界领袖和代表。作为深度参与中国计算产业建设的企业方代表，华为昇腾计算业务总裁张迪煊发表《持续创新，以算力网络赋能数字经济腾飞》的主题演进，阐述计算产业创新机遇和挑战，分享了华为聚焦计算根技术创新，构建多样性算力基础设施等方面的重要进展。（点击了解更多）人民日报：数字人民币为高质量发展添动力7月20日消息，人民日报文章指出，今年以来，数字人民币试点从原来的“10+1”试点地区拓展到15个省份的23个地区。截至5月31日，15个省份的试点地区通过数字人民币累计交易笔数约2.64亿笔，金额约830亿元，支持数字人民币支付的商户门店数量达456.7万个。应用场景日益丰富、试点范围稳步扩大、服务触角不断延伸。（来源：财联社）我国科学家在高安全量子密钥分发网络方面取得新进展7月20日消息，近日中国科学技术大学郭光灿院士团队在量子密钥分发网络化研究方面取得重要进展。科研团队实现了抗环境干扰的非可信节点量子密钥分发网络，全面提高了量子密钥分发网络的安全性、可用性和可靠性，向实现下一代量子网络迈出了重要的一步。（来源：潇湘晨报）营销公司「Stagwell」收购 SaaS 营销平台「Apollo」7月19日，营销公司Stagwell宣布收购SaaS营销平台Apollo。本次收购后，Apollo将与Stagwell的数据和洞察工具相集成，Apollo将为Stagwell提供行为数据、交易数据和本地数据，来帮助营销人员理解客户行为和动机，从而连接并扩大Stagwell的第一方数据库。Stagwell 是一家总部位于美国纽约的全球营销和传播集团，成立于2015年，创始人为Mark Penn。该公司服务于四个领域：数字化转型和营销、研究和洞察、营销传播、内容和媒体。公司市值为20.93亿美元。（来源：牛透社）马斯克上传大脑很疯狂，Neuralink却早已一地鸡毛马斯克的“大脑计划”，非常“疯狂”，他在网上的一句“Already did it”，确认了已将大脑上传到云端同时，也把脑机接口一下子轰上热搜。但理想是美好的，现实是骨感的，在马斯克极力为它的脑机接口公司Neuralink站台的时候，这家公司背后的破败，也被放到了聚光灯下面。据悉Neuralink联合创始人梅罗拉已离职，最初的8人创始团队除了马斯克，就剩下一位植入工程师Dongjin Seo。（来源：量子位）云商店一周动态云商店7月热榜发布！看热门、选好品，让企业上云更简单！依托海量上架商品，从产品维度、交易维度、销售维度出发，利用算法综合计算排列，「华为云云商店7月应用推荐榜单」已发布。点击查看榜单排名：多维赛道，择优精选 | 云商店7月热榜华为云云商店应用推荐榜单，做企业的“数字转型导航”华为云云商店重磅推出「华为云云商店应用推荐榜单」，旨在帮助更多企业，找到适合自身的上云商品，寻求更快的发展！点击了解榜单如何助你“购物”更专业：用数据说话，凭用户甄选 | 云商店榜单每月见连续3月上榜热销榜单，云速建站成云商店用户建站首选！连续3个月霸榜华为云云商店热销前10，登上6月商品热销榜 top3、企业上云推荐榜top1，云速建站如何成为更多云商店更多用户的建站首选？点击领略榜单霸主的魅力：连续3月霸榜热销前10，建站top产品是如何炼成的？编辑 | 一只大月亮

在云速建站后台管理的小程序应用的外卖点单功能，可以不可以复制一下，然后修改成120急救和病房预定，虽然电话可以拨打120，但是无法像外卖那样提供准确位置，其次是病房的预定也是无法实现在线预约。还有药品的销售等，这些功能都可以用外卖点单来实现。

【功能模块】在消息集成》消息队列服务MQS》Topic管理【操作步骤&问题现象】在消息集成》消息队列服务MQS》Topic管理中，新增一个Topic后，再去发布报Topic创建失败的错误。【截图信息】【日志信息】（可选，上传日志内容或者附件）