Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur KI in der medizinischen Bildgebung

Verstehen Sie, wie Bildgebungsmodelle die Erkennung, Segmentierung und Triage unterstützen und warum die lokale Validierung vor dem klinischen Einsatz wichtig ist.

Verwandte FührungspfadeKI in der medizinischen Bildgebung
Frage 1 von 8

Welche Art von neuronalem Netzwerk war für die Analyse medizinischer Bilder am grundlegendsten?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welche Art von neuronalem Netzwerk war für die Analyse medizinischer Bilder am grundlegendsten?
    • Faltungs-Neuronale Netze (CNNs)
    • Wiederkehrende Netzwerke für Audio
    • Entscheidungsbäume
    • Tabellenkalkulationsmakros
  2. Was macht das Viz.ai-System?
    • Plant die Menüs der Krankenhauskantine
    • Analysiert CT-Scans, um vermutete Schlaganfälle großer Gefäße zu erkennen und das Team zu alarmieren
    • Übersetzt radiologische Berichte in Musik
    • Ersetzt die CT-Scanner-Hardware
  3. Wofür wird die U-Net-Architektur üblicherweise in der Bildgebung verwendet?
    • Songtexte generieren
    • Videospiele komprimieren
    • Segmentierung pro Pixel, wie die Umrisse eines Tumors oder Organs
    • Patientenpasswörter verschlüsseln
  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. Ein Hauptgrund dafür, dass eine bildgebende KI bei den Daten eines neuen Krankenhauses versagen könnte, ist:
    • Unterschiede in Scannertyp, Protokoll oder Patientenpopulation gegenüber Trainingsdaten
    • Die Scans sind zu bunt
    • Dem Model gefällt das Gebäude nicht
    • Bilder sind immer und überall identisch
  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