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.

Gerelateerde gidspadenAI in medische beeldvorming
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.

  1. 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
  2. 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
  3. 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
  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. 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
  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