Questionário vinculado ao guia · Médio Nível

Questionário sobre IA em imagens médicas

Entenda como os modelos de imagem suportam detecção, segmentação e triagem e por que a validação local é importante antes do uso clínico.

Caminhos de guia relacionadosIA em imagens médicas
Pergunta 1 de 8

Que tipo de rede neural tem sido mais fundamental para a análise de imagens médicas?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Que tipo de rede neural tem sido mais fundamental para a análise de imagens médicas?
    • Redes neurais convolucionais (CNNs)
    • Redes recorrentes para áudio
    • Árvores de decisão
    • Macros de planilha
  2. O que o sistema Viz.ai faz?
    • Agenda cardápios do refeitório do hospital
    • Analisa tomografias computadorizadas para sinalizar suspeitas de AVC em grandes vasos e alertar a equipe
    • Traduz relatórios radiológicos em música
    • Substitui o hardware do scanner CT
  3. Para que é a arquitetura U-Net comumente usada em imagens?
    • Gerando letras de músicas
    • Compactando videogames
    • Segmentação por pixel, como delinear um tumor ou órgão
    • Criptografando senhas de pacientes
  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. Um dos principais motivos pelos quais uma IA de imagem pode falhar nos dados de um novo hospital é:
    • Diferenças no tipo de scanner, protocolo ou população de pacientes em relação aos dados de treinamento
    • As digitalizações são muito coloridas
    • A modelo não gosta do prédio
    • As imagens são sempre idênticas em todos os lugares
  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