Cuestionario vinculado a una guía · Medio Nivel

Prueba de IA en imágenes médicas

Comprenda cómo los modelos de imágenes respaldan la detección, segmentación y clasificación, y por qué la validación local es importante antes del uso clínico.

Rutas de guía relacionadasIA en imágenes médicas
Pregunta 1 de 8

¿Qué tipo de red neuronal ha sido más fundamental para analizar imágenes médicas?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué tipo de red neuronal ha sido más fundamental para analizar imágenes médicas?
    • Redes neuronales convolucionales (CNN)
    • Redes recurrentes para audio.
    • Árboles de decisión
    • Macros de hoja de cálculo
  2. ¿Qué hace el sistema Viz.ai?
    • Horarios menús de cafetería hospitalaria
    • Analiza tomografías computarizadas para señalar sospechas de accidentes cerebrovasculares de grandes vasos y alertar al equipo
    • Traduce informes de radiología a música.
    • Reemplaza el hardware del escáner CT
  3. ¿Para qué se utiliza comúnmente la arquitectura U-Net en imágenes?
    • Generando letras de canciones
    • Comprimir videojuegos
    • Segmentación por píxel, como delinear un tumor u órgano
    • Cifrar contraseñas de pacientes
  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. Una razón clave por la que una IA de imágenes podría fallar en los datos de un nuevo hospital es:
    • Diferencias en el tipo de escáner, protocolo o población de pacientes a partir de los datos de entrenamiento
    • Los escaneos son demasiado coloridos.
    • A la modelo no le gusta el edificio.
    • Las imágenes son siempre idénticas en todas partes.
  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