Gids-gekoppelde quiz · Middelmatig Niveau
AI in de medische beeldvormingsquiz
Begrijp hoe beeldvormingsmodellen detectie, segmentatie en triage ondersteunen, en waarom lokale validatie belangrijk is vóór klinisch gebruik.
Vraag 1 van 8
Welk type neuraal netwerk is het meest fundamenteel geweest voor het analyseren van medische beelden?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Welk type neuraal netwerk is het meest fundamenteel geweest voor het analyseren van medische beelden?
- Convolutionele neurale netwerken (CNN's)
- Terugkerende netwerken voor audio
- Beslisbomen
- Spreadsheet-macro's
- Wat doet het Viz.ai-systeem?
- Plan de menu's van de ziekenhuiscafetaria
- Analyseert CT-scans om vermoedelijke beroertes van grote bloedvaten te signaleren en het team te waarschuwen
- Vertaalt radiologierapporten naar muziek
- Vervangt de hardware van de CT-scanner
- Waarvoor wordt de U-Net-architectuur gewoonlijk gebruikt bij beeldvorming?
- Songteksten genereren
- Videogames comprimeren
- Segmentatie per pixel, zoals het omlijnen van een tumor of orgaan
- Het coderen van patiëntwachtwoorden
- 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
- Een belangrijke reden waarom een beeldvormende AI zou kunnen mislukken op basis van de gegevens van een nieuw ziekenhuis is:
- Verschillen in scannertype, protocol of patiëntenpopulatie uit trainingsgegevens
- De scans zijn te kleurrijk
- Het model heeft een hekel aan het gebouw
- Afbeeldingen zijn altijd en overal identiek
- 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
- 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
- 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