引导式测验 · 中等等级

皮肤科人工智能测验

回顾皮肤科图像 AI、其诊断分类作用、肤色表示挑战、图像输入和临床验证限制。

2017 年具有里程碑意义的斯坦福皮肤病学研究证明了什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

2017 年具有里程碑意义的斯坦福皮肤病学研究证明了什么？
- 神经网络对皮肤癌的分类准确度堪比 21 名经过委员会认证的皮肤科医生
- 人工智能可以进行皮肤手术
- 从图像中无法检测出皮肤癌
- 皮肤科医生总是错的
皮肤科人工智能中记录的主要公平问题是什么？
- 模型仅适用于卡通图像
- 由于训练数据以浅色皮肤为主，许多模型在深色肤色上表现较差
- 模型只能看到黑白
- 模特拒绝分析雀斑
皮肤镜检查为标准皮肤照片添加了什么？
- 血压读数
- 3D 全息图
- 放大倍率和交叉偏振光可显示表面下的色素和血管
- 下面骨头的 X 光检查
皮肤病学模型被发现在学习什么虚假捷径？
- 计算患者的雀斑数量
- 读取照片上的日期戳
- 检测相机品牌
- 将在尺子或皮肤标记旁边拍摄的病变标记为恶性
这些模型通常验证的“黄金标准”是什么？
- 活检确诊
- 患者的自我评估
- 病变颜色
- 抛一枚硬币
皮肤科人工智能近期最有可能发挥的临床作用是什么？
- 立即更换所有皮肤科医生
- 分诊 — 帮助确定哪些病变需要紧急专家审查或活检
- 自动开抗生素处方
- 进行活检本身
构建 Fitzpatrick17k 和 Diverse Dermatology Images 等数据集的目的是什么？
- 在临床护理中取代活检确认
- 仅收集浅色皮肤的图像
- 支持更广泛肤色的评估和培训并减少代表性差距
- 将皮肤镜照片转换为 X 射线
随着时间的推移，人工智能辅助全身摄影可以帮助临床医生进行哪些审查？
- 患者血压的变化
- 是否存在骨折
- 活检结果是否良性
- 新的或变化的皮肤病变