Тест, свързан с ръководство · Среден Ниво

AI в тест за медицински изображения

Разберете как моделите за изображения поддържат откриване, сегментиране и сортиране и защо локалното валидиране има значение преди клиничната употреба.

Свързани ръководни пътекиAI в медицинското изображение
Въпрос 1 на 8

Кой тип невронна мрежа е най-основната за анализиране на медицински изображения?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Кой тип невронна мрежа е най-основната за анализиране на медицински изображения?
    • Конволюционни невронни мрежи (CNN)
    • Повтарящи се мрежи за аудио
    • Дървета на решенията
    • Макроси на електронни таблици
  2. Какво прави системата Viz.ai?
    • Графици менюта на болничното кафене
    • Анализира компютърна томография, за да маркира предполагаеми инсулти на големи съдове и да предупреди екипа
    • Превежда радиологичните доклади в музика
    • Заменя хардуера на CT скенера
  3. За какво обикновено се използва U-Net архитектурата в изображенията?
    • Генериране на текстове на песни
    • Компресиране на видео игри
    • Сегментиране на пиксел, като очертаване на тумор или орган
    • Криптиране на пароли на пациенти
  4. What regulatory pathway did FDA use for the named Viz.ai imaging device?
    • A blanket approval covering all imaging-AI tools
    • A drug marketing authorization
    • An exemption from all clinical evidence requirements
    • A De Novo classification decision for a specific device and intended use
  5. Основна причина, поради която изкуствен интелект за изображения може да се провали при данни от нова болница, е:
    • Разлики в типа на скенера, протокола или популацията на пациенти от данните за обучение
    • Сканиранията са твърде цветни
    • Моделът не харесва сградата
    • Изображенията винаги са еднакви навсякъде
  6. What do U-Net skip connections carry from the encoder to the decoder?
    • A patient’s medical record number
    • Higher-resolution feature maps that help recover spatial detail
    • A radiology report’s billing code
    • Only a global class label
  7. Why should medical-imaging datasets generally be split at the patient level?
    • To make every scanner appear in only one dataset
    • To guarantee equal disease prevalence
    • To reduce leakage from multiple correlated images of the same patient across train and test sets
    • To remove the need for external validation
  8. What does probability calibration assess in an imaging model?
    • Whether the scanner has been recently serviced
    • Whether every image has the same resolution
    • Whether the model segments the correct number of organs
    • Whether predictions assigned a probability match observed frequencies over evaluated cases