Kuiz berkaitan panduan · Sederhana Tahap

AI dalam Kuiz Pengimejan Perubatan

Fahami cara model pengimejan menyokong pengesanan, pembahagian dan triage serta sebab pengesahan tempatan penting sebelum penggunaan klinikal.

Laluan panduan yang berkaitanAI Dalam Pengimejan Perubatan
soalan 1 daripada 8

Jenis rangkaian saraf manakah yang paling asas untuk menganalisis imej perubatan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Jenis rangkaian saraf manakah yang paling asas untuk menganalisis imej perubatan?
    • Rangkaian saraf konvolusi (CNN)
    • Rangkaian berulang untuk audio
    • Pokok keputusan
    • Makro hamparan
  2. Apakah yang dilakukan oleh sistem Viz.ai?
    • Menjadualkan menu kafetaria hospital
    • Menganalisis imbasan CT untuk menandai strok kapal besar yang disyaki dan memberi amaran kepada pasukan
    • Menterjemah laporan radiologi ke dalam muzik
    • Menggantikan perkakasan pengimbas CT
  3. Apakah seni bina U-Net yang biasa digunakan dalam pengimejan?
    • Menjana lirik lagu
    • Memampatkan permainan video
    • Pembahagian per piksel, seperti menggariskan tumor atau organ
    • Menyulitkan kata laluan pesakit
  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. Sebab utama AI pengimejan mungkin gagal pada data hospital baharu ialah:
    • Perbezaan dalam jenis pengimbas, protokol atau populasi pesakit daripada data latihan
    • Imbasan terlalu berwarna
    • Model itu tidak menyukai bangunan itu
    • Imej sentiasa sama di mana-mana
  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