Útmutatóhoz kapcsolódó kvíz · Közepes Szint

AI a gyermekgyógyászatban kvíz

Megvizsgálja, hogy a gyermekadatok miért nehezítik meg a mesterséges intelligenciát, hogyan jósolja meg a NICU pulzusszám-monitorozás a vérmérgezést, és hogy a felnőttek által kiképzett képalkotó modellek miért képesek félreolvasni a gyermekek röntgenfelvételeit.

Kapcsolódó útmutató utakAI a gyermekgyógyászatban
kérdés 1 -ból 8

Miért értelmezheti félre egy 10 éves gyermek csontképét egy felnőtt röntgensugárzásra kiképzett mesterséges intelligencia?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miért értelmezheti félre egy 10 éves gyermek csontképét egy felnőtt röntgensugárzásra kiképzett mesterséges intelligencia?
    • Children's X-rays are always in color
    • Normal growth plates in children can resemble fracture lines in adults
    • Children's bones do not appear on X-rays
    • Pediatric X-rays use no radiation
  2. Mit elemz a HeRO monitor a szepszis kockázatának becsléséhez koraszülötteknél?
    • Heart rate characteristics such as variability and decelerations
    • Blood glucose readings every hour
    • Parent-reported feeding diaries
    • Chest X-ray images
  3. Milyen szerepet játszik az FDA által 2021-ben engedélyezett Cognoa's Canvas Dx az autizmus ellátásában?
    • It replaces the need for any clinician
    • It is a genetic test for autism
    • It treats autism with behavioral games
    • It is an aid that supports clinicians in diagnosing autism in young children
  4. Milyen okot ad az útmutató a gyermekgyógyászati ​​adatkészletek kicsiségére?
    • Children's data is never stored electronically
    • Hospitals are banned from using children's data in research
    • Children are healthier on average and rare diseases are spread thin
    • Pediatric images are too large to store
  5. Miért számolnak be a szakemberek a gyermekgyógyászati ​​modell pontosságáról korosztályonként?
    • Regulators forbid pooled numbers
    • A pooled figure can hide poor performance in the youngest group
    • Age bands make the model train faster
    • Older children cannot be imaged
  6. What is the risk of fine-tuning an adult-pretrained network on a small pediatric dataset?
    • It can import adult assumptions, so external validation is still essential
    • It always makes the model worse than random
    • It deletes the pediatric data
    • It cannot run on hospital computers
  7. Which approach lets several children's hospitals train a shared model without pooling raw patient data?
    • Bone age estimation
    • Adatbővítés
    • Alert fatigue reduction
    • Federated learning
  8. What misconception about adult AI tools does the guide warn against?
    • That they are too expensive for children's hospitals
    • That they cannot read digital images
    • That they can simply be used on children without separate validation
    • That they require parental consent to run