Kvíz spojený s průvodcem · Střední úroveň

AI v lékařském zobrazovacím kvízu

Pochopte, jak zobrazovací modely podporují detekci, segmentaci a třídění a proč je důležitá místní validace před klinickým použitím.

Související vodicí cestyAI v lékařském zobrazování
Otázka 1 z 8

Jaký typ neuronové sítě byl nejzákladnější pro analýzu lékařských snímků?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký typ neuronové sítě byl nejzákladnější pro analýzu lékařských snímků?
    • Konvoluční neuronové sítě (CNN)
    • Opakované sítě pro zvuk
    • Rozhodovací stromy
    • Tabulková makra
  2. Co dělá systém Viz.ai?
    • Rozvrhy menu nemocniční jídelny
    • Analyzuje CT skeny, aby označila podezření na mrtvici velkých cév a upozornila tým
    • Překládá radiologické zprávy do hudby
    • Nahrazuje hardware CT skeneru
  3. K čemu se běžně používá architektura U-Net při zobrazování?
    • Generování textů písní
    • Komprese videoher
    • Segmentace na pixel, jako je obrys nádoru nebo orgánu
    • Šifrování hesel pacientů
  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. Klíčovým důvodem, proč by zobrazovací umělá inteligence mohla selhat na datech nové nemocnice, je:
    • Rozdíly v typu skeneru, protokolu nebo populaci pacientů od tréninkových dat
    • Skenování je příliš barevné
    • Modelce se budova nelíbí
    • Obrázky jsou vždy všude stejné
  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