Quiz dotyczący sztucznej inteligencji w obrazowaniu medycznym

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Który typ sieci neuronowej okazał się najbardziej fundamentalny w analizie obrazów medycznych?
   • Splotowe sieci neuronowe (CNN)
   • Sieci cykliczne dla dźwięku
   • Drzewa decyzyjne
   • Makra arkusza kalkulacyjnego
2. Co robi system Viz.ai?
   • Układa menu stołówki szpitalnej
   • Analizuje tomografię komputerową, aby oznaczyć podejrzane udary dużych naczyń i powiadomić zespół
   • Tłumaczy raporty radiologiczne na muzykę
   • Zastępuje sprzęt skanera CT
3. Do czego powszechnie wykorzystuje się architekturę U-Net w obrazowaniu?
   • Generowanie tekstów piosenek
   • Kompresja gier wideo
   • Segmentacja per piksel, np. zarys guza lub narządu
   • Szyfrowanie haseł pacjentów
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. Kluczowym powodem, dla którego sztuczna inteligencja do obrazowania może zawieść w przypadku danych nowego szpitala, jest:
   • Różnice w typie skanera, protokole lub populacji pacjentów na podstawie danych szkoleniowych
   • Skany są zbyt kolorowe
   • Modelka nie lubi tego budynku
   • Obrazy są zawsze i wszędzie identyczne
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