AI σε Κουίζ Ιατρικής Απεικόνισης

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποιος τύπος νευρωνικού δικτύου ήταν ο πιο βασικός για την ανάλυση ιατρικών εικόνων;
   • Συνελικτικά νευρωνικά δίκτυα (CNN)
   • Επαναλαμβανόμενα δίκτυα για ήχο
   • Δέντρα απόφασης
   • Μακροεντολές υπολογιστικών φύλλων
2. Τι κάνει το σύστημα Viz.ai;
   • Προγραμματίζει μενού καφετέριας νοσοκομείου
   • Αναλύει αξονικές τομογραφίες για να επισημάνει ύποπτα εγκεφαλικά επεισόδια μεγάλων αγγείων και να ειδοποιήσει την ομάδα
   • Μεταφράζει τις αναφορές ακτινολογίας σε μουσική
   • Αντικαθιστά το υλικό του σαρωτή CT
3. Σε τι χρησιμοποιείται συνήθως η αρχιτεκτονική U-Net στην απεικόνιση;
   • Δημιουργία στίχων τραγουδιού
   • Συμπίεση βιντεοπαιχνιδιών
   • Τμηματοποίηση ανά εικονοστοιχείο, όπως το περίγραμμα ενός όγκου ή οργάνου
   • Κρυπτογράφηση κωδικών πρόσβασης ασθενών
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. Ένας βασικός λόγος που μια τεχνητή νοημοσύνη απεικόνισης μπορεί να αποτύχει στα δεδομένα ενός νέου νοσοκομείου είναι:
   • Διαφορές στον τύπο του σαρωτή, το πρωτόκολλο ή τον πληθυσμό ασθενών από τα δεδομένα εκπαίδευσης
   • Οι σαρώσεις είναι πολύ πολύχρωμες
   • Το μοντέλο αντιπαθεί το κτίριο
   • Οι εικόνες είναι παντού πανομοιότυπες
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