Test legat de ghid · Mediu Nivel

AI în testul de imagistică medicală

Understand how imaging models support detection, segmentation and triage, and why local validation matters before clinical use.

Căi de ghidare aferenteAI în imagistica medicală
Întrebare 1 de 8

Ce tip de rețea neuronală a fost cel mai fundamental pentru analiza imaginilor medicale?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce tip de rețea neuronală a fost cel mai fundamental pentru analiza imaginilor medicale?
    • Rețele neuronale convoluționale (CNN)
    • Rețele recurente pentru audio
    • Arbori de decizie
    • Macrocomenzi pentru foi de calcul
  2. Ce face sistemul Viz.ai?
    • Programează meniurile din cantina spitalului
    • Analizează scanările CT pentru a semnala suspecte accidente vasculare cerebrale mari și pentru a alerta echipa
    • Traduce rapoartele radiologice în muzică
    • Înlocuiește hardware-ul scanerului CT
  3. Pentru ce este folosită în mod obișnuit arhitectura U-Net în imagistica?
    • Generarea versurilor cântecului
    • Comprimarea jocurilor video
    • Segmentarea pe pixel, cum ar fi conturarea unei tumori sau a unui organ
    • Criptarea parolelor pacientului
  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. Un motiv cheie pentru care o IA de imagistică ar putea eșua pe datele unui nou spital este:
    • Diferențele de tip de scaner, protocol sau populație de pacienți față de datele de antrenament
    • Scanările sunt prea colorate
    • Modelului nu-i place clădirea
    • Imaginile sunt întotdeauna identice peste tot
  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