引導式測驗 · 中等 等級
人工智慧在醫學影像測驗的應用
了解影像模型如何支援檢測、分割和分類,以及為什麼局部驗證在臨床使用前很重要。
問題 1 的 8
哪種類型的神經網路對於分析醫學影像最為基礎?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 哪種類型的神經網路對於分析醫學影像最為基礎?
- 卷積神經網路 (CNN)
- 音訊循環網絡
- 決策樹
- 試算表宏
- Viz.ai 系統有什麼作用?
- 安排醫院食堂菜單
- 分析 CT 掃描以標記可疑的大血管中風並向團隊發出警報
- 將放射線報告翻譯成音樂
- 更換 CT 掃描儀硬體
- U-Net 架構在成像中常用的是什麼?
- 生成歌詞
- 壓縮電玩遊戲
- 每像素分割,例如勾勒出腫瘤或器官的輪廓
- 加密患者密碼
- FDA 對名為 Viz.ai 的影像設備採取了哪些監管途徑?
- 涵蓋所有成像 AI 工具的全面批准
- 藥品上市許可
- 免除所有臨床證據要求
- 針對特定設備和預期用途的 De Novo 分類決策
- 成像人工智慧可能在新醫院的數據上失敗的一個關鍵原因是:
- 掃描器類型、協定或患者群體與訓練資料的差異
- 掃描件色彩太豐富
- 模型不喜歡這棟建築
- 圖像在任何地方總是相同的
- U-Net 跳過連接從編碼器到解碼器攜帶什麼?
- 患者的病歷號碼
- 更高解析度的特徵圖有助於恢復空間細節
- 放射報告的帳單代碼
- 只有全域類別標籤
- 為什麼醫學影像資料集通常應在病患層級進行分割?
- 使每個掃描器僅出現在一個資料集中
- 確保疾病盛行率平等
- 減少訓練集和測試集上同一患者的多個相關圖像的洩漏
- 消除外部驗證的需要
- 機率校準在成像模型中評估什麼?
- 掃描器最近是否維修過
- 每張圖片的解析度是否相同
- 模型分割的器官數量是否正確
- 分配機率的預測是否與評估案例中觀察到的頻率相符