Викторина, связанная с руководством · Средний Уровень

Викторина об искусственном интеллекте в медицинской визуализации

Узнайте, как модели визуализации поддерживают обнаружение, сегментацию и сортировку, а также почему локальная проверка важна перед клиническим использованием.

Связанные направляющие путиИИ в медицинской визуализации
Вопрос 1 из 8

Какой тип нейронной сети оказался наиболее важным для анализа медицинских изображений?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какой тип нейронной сети оказался наиболее важным для анализа медицинских изображений?
    • Сверточные нейронные сети (CNN)
    • Рекуррентные сети для аудио
    • Деревья решений
    • Макросы электронной таблицы
  2. Что делает система Viz.ai?
    • Расписание меню больничной столовой
    • Анализирует результаты компьютерной томографии, чтобы выявить подозрения на инсульт крупных сосудов и предупредить команду
    • Переводит радиологические отчеты в музыку.
    • Заменяет аппаратное обеспечение компьютерного томографа.
  3. Для чего обычно используется архитектура U-Net при визуализации?
    • Генерация текстов песен
    • Сжатие видеоигр
    • Попиксельная сегментация, например, выделение опухоли или органа.
    • Шифрование паролей пациентов
  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. Основная причина, по которой ИИ для визуализации может не работать с данными новой больницы:
    • Различия в типе сканера, протоколе или популяции пациентов на основе обучающих данных
    • Сканирование слишком красочное.
    • Модель не любит здание
    • Изображения всегда и везде одинаковы
  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