ШІ в медичній візуалізації. Вікторина

Відповіді та пояснення з’являються під час виконання тесту.

1. Який тип нейронної мережі є найбільш основоположним для аналізу медичних зображень?
   • Згорточні нейронні мережі (CNN)
   • Повторювані мережі для аудіо
   • Дерева рішень
   • Макроси електронної таблиці
2. Що робить система Viz.ai?
   • Складає меню лікарняної їдальні
   • Аналізує комп’ютерну томографію, щоб виявити підозру на інсульт великих судин і попередити команду
   • Перекладає радіологічні звіти на музику
   • Замінює апаратне забезпечення КТ-сканера
3. Для чого зазвичай використовується архітектура U-Net у створенні зображень?
   • Створення текстів пісень
   • Стиснення відеоігор
   • Попіксельна сегментація, як контур пухлини чи органу
   • Шифрування паролів пацієнтів
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. Ключовою причиною, через яку штучний інтелект може не працювати з даними нової лікарні, є:
   • Відмінності в типі сканера, протоколі або групі пацієнтів від даних навчання
   • Скани надто барвисті
   • Модель не любить будівлю
   • Зображення завжди і скрізь однакові
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