Ответы к тестам НМО: «Искусственный интеллект в рентгенологии: современные подходы к анализу маммограмм»

1. В каких единицах сервис поддержки врачебных решений «Третье мнение. Маммограммы» отображает размеры найденных образований?

1) в дюймах;
2) в см;
3) в мм; +
4) в пикселях.

2. Искусственный интеллект оперирует

1) нозологическими формами;
2) кодированием по МКБ;
3) терминами;
4) семиотическими признаками. +

3. Искусственным интеллектом в радиологии называют

1) вид машинного обучения с использованием многослойных нейронных сетей, которые самообучаются на большом наборе данных;
2) совокупность методов искусственного интеллекта, с помощью которых можно создавать самообучающиеся компьютерные системы (в частности, нейросети);
3) продукт глубокого обучения;
4) способность вычислительной системы к обучению, анализу и принятию решений на основе алгоритмов, моделирующих когнитивные функции человека. +

4. Какие проекции исследования обрабатывает сервис ИИ?

1) LM, MLO;
2) CC, MLO; +
3) только СС;
4) СС, LM, MLO.

5. Какие способы представления данных искусственного интеллекта более показательны для маммографии?

1) область интереса, диагностический балл, текстовый протокол; +
2) голосовой помощник;
3) таблицы и графики;
4) рекомендации пациенту.

6. Какое диагностическое исследование является «золотым стандартом» скрининга и диагностики патологических изменений молочных желез?

1) КТ;
2) ММГ; +
3) УЗИ;
4) МРТ.

7. Какое примечание обязательно отображается на диагностических сериях сервиса поддержки врачебных решений «Третье мнение. Маммограммы»?

1) нельзя исключить возможности несоответствия;
2) для поддержки принятия врачебных решений; +
3) необходимо проконсультироваться с лечащим врачом;
4) не рекомендовано пациентам.

8. Ключевое преимущество нейронных сетей перед классическими алгоритмами

1) скорость создания;
2) простота использования;
3) способность к обучению; +
4) эстетичность интерфейса.

9. Ключевые этапы разработки и внедрения сервисов искусственного интеллекта в рентгенологии включают

1) формирование датасета, обучение моделей, валидацию и тестирование, клиническую интеграцию; +
2) согласование, обсуждение, подписание;
3) обсуждение, разметку и внедрение;
4) разметку и интеграцию.

10. Компьютерное зрение – это

1) гипотетическая концепция системы, способной выполнять широкий спектр интеллектуальных задач на уровне человека без предварительной специализации;
2) системы на основе искусственного интеллекта, которые работают с речью: либо преобразуют аудио в текст (распознавание речи), либо генерируют аудио с человеческой речью из письменного текста (синтез речи);
3) чат-бот с генеративным искусственным интеллектом;
4) раздел ИИ, обеспечивающий автоматическое извлечение, анализ и интерпретацию визуальной информации (медицинских изображений, видео, томографических срезов) без участия человека. +

11. Лидирующую позицию в структуре онкологической заболеваемости среди женского населения в мире занимает

1) рак легких;
2) рак шейки матки;
3) рак молочной железы; +
4) рак кожи.

12. Машинное обучение – это

1) вид обучения с использованием многослойных нейронных сетей, которые самообучаются на большом наборе данных;
2) совокупность методов, позволяющих создавать самообучающиеся системы (включая нейронные сети) на основе анализа больших массивов данных, без явного программирования правил принятия решений; +
3) программирование по четкому сценарию;
4) способность компьютера обучаться, принимать решения и выполнять действия, свойственные человеческому интеллекту.

13. Наиболее полный перечень изменений, который системы компьютерного зрения по ММГ способны распознавать, включает

1) образования, кальцинаты и втяжение соска;
2) микрокальцинаты, утолщение кожи, образования;
3) плотность тканей молочной железы по ACR и категорию качества исследования по PGMI;
4) образования, злокачественные кальцинаты, асимметрию плотности ткани, нарушение архитектоники ткани, утолщение кожи, втяжение соска, патологические лимфоузлы. +

14. Нейросеть – это

1) программное обеспечение для ноутбуков;
2) список задач для выполнения;
3) математическая модель (программная или аппаратная), архитектура которой воспроизводит принцип организации биологических нейронных сетей; +
4) язык программирования.

15. Область интереса, текстовый протокол и диагностический балл являются

1) диагнозом сервиса ИИ;
2) способами представления данных; +
3) рекомендацией ИИ;
4) протоколом описания.

16. Обработка естественного языка – это

1) способность интерпретировать эмоции и воспроизводить их;
2) раздел ИИ, обеспечивающий автоматическое извлечение, анализ и интерпретацию визуальной информации (медицинских изображений, видео, томографических срезов) без участия человека;
3) область ИИ, позволяющая анализировать, интерпретировать и генерировать письменную и устную речь; +
4) способность программ решать широкий круг задач на уровне человека.

17. По какой классификации сервис поддержки врачебных решений «Третье мнение. Маммограммы» выставляет рентгенологическую плотность тканей молочной железы?

1) RECIST;
2) PGMI;
3) BIRADS;
4) ACR. +

18. По какой классификации сервис поддержки врачебных решений «Третье мнение. Маммограммы» оценивает качество исследования?

1) PGMI; +
2) RECIST;
3) BIRADS;
4) ACR.

19. По какой шкале вероятности злокачественности находок сервис «Третье мнение. Маммограммы» выставляет результат?

1) BIRADS; +
2) RECIST;
3) ACR;
4) PGMI.

20. Применение алгоритмов искусственного интеллекта открывает новые возможности для повышения

1) рисков ошибочной интерпретации находок;
2) времени на проведение исследований;
3) количества кадров в здравоохранении;
4) диагностической эффективности маммографических исследований. +

21. Современные системы компьютерного зрения, специализированные для анализа маммографических исследований, обладают

1) угадыванием категории изменений по BIRADS;
2) причинно-следственной цепочкой взаимодействий частей друг с другом и с внешними объектами;
3) способностью к автоматической детекции широкого спектра патологических изменений; +
4) переводом пикселей изображения в текстовый протокол.

22. Что из списка есть в ключевых тезисах лекции?

1) ИИ в рентгенологии – это голосовой помощник;
2) ИИ в рентгенологии – это система поддержки принятия врачебных решений, а не инструмент автоматической постановки диагноза; +
3) ИИ в рентгенологии – это автоматическая постановка диагноза;
4) ИИ в рентгенологии – это система таблиц и графиков.

23. Что из списка есть в ключевых тезисах лекции?

1) искусственный интеллект формирует заключение только после согласования;
2) искусственный интеллект имеет приоритет, даже если врач не согласен с его заключением;
3) искусственный интеллект работает автономно на архиве из 1000 исследований;
4) искусственный интеллект оперирует семиотическими признаками, а не нозологическими формами — клиническая интерпретация и формулировка диагноза остаются исключительной компетенцией врача. +

24. Что представляет собой диагностический балл как способ представления данных?

1) процент ошибки сервиса;
2) количественную оценка вероятности наличия патологии; +
3) категорию плотности ткани по ACR;
4) количественную оценка вероятности нормы.

25. Что представляет собой область интереса (маска) как способ представления данных?

1) точную локализацию и контур патологического процесса; +
2) контур молочной железы;
3) количественную оценку вероятности наличия патологии;
4) зонирование на изображении.

26. Что становится одним из ключевых драйверов развития лучевой диагностики в условиях цифровой трансформации здравоохранения?

1) сокращение времени обследования;
2) повышение количества обследований;
3) обновление ПО;
4) взаимодействие врача-рентгенолога с системами искусственного интеллекта. +

27. Этап валидации и тестирования

1) настройка внутренних параметров нейронной сети для распознавания сложных диагностических паттернов на основе обучающих данных;
2) независимая оценка диагностической точности и надежности модели на ранее не встречавшихся данных для подтверждения ее клинической применимости; +
3) внедрение проверенного алгоритма в рабочий процесс врача-диагноста в качестве системы поддержки принятия решений;
4) создание репрезентативной выборки медицинских изображений с экспертной разметкой, которая служит «золотым стандартом» для обучения алгоритма.

28. Этап клинической интеграции

1) внедрение проверенного алгоритма в рабочий процесс врача-диагноста в качестве системы поддержки принятия решений; +
2) настройка внутренних параметров нейронной сети для распознавания сложных диагностических паттернов на основе обучающих данных;
3) независимая оценка диагностической точности и надежности модели на ранее не встречавшихся данных для подтверждения ее клинической применимости;
4) создание репрезентативной выборки медицинских изображений с экспертной разметкой, которая служит «золотым стандартом» для обучения алгоритма.

29. Этап обучения моделей

1) создание репрезентативной выборки медицинских изображений с экспертной разметкой, которая служит «золотым стандартом» для обучения алгоритма;
2) внедрение проверенного алгоритма в рабочий процесс врача-диагноста в качестве системы поддержки принятия решений;
3) независимая оценка диагностической точности и надежности модели на ранее не встречавшихся данных для подтверждения ее клинической применимости;
4) настройка внутренних параметров нейронной сети для распознавания сложных диагностических паттернов на основе обучающих данных. +

30. Этап формирования датасета

1) настройка внутренних параметров нейронной сети для распознавания сложных диагностических паттернов на основе обучающих данных;
2) внедрение проверенного алгоритма в рабочий процесс врача-диагноста в качестве системы поддержки принятия решений;
3) создание репрезентативной выборки медицинских изображений с экспертной разметкой, которая служит «золотым стандартом» для обучения алгоритма; +
4) независимая оценка диагностической точности и надежности модели на ранее не встречавшихся данных для подтверждения ее клинической применимости.