Ответы к тестам НМО: «Архитектура медицинских экспертных систем: от базы правил до объяснимого вывода»

1. Антецедент продукционного правила представляет собой

1) условие применения правила; +
2) коэффициент уверенности;
3) заключение правила;
4) описание интерфейса системы.

2. Архитектура PERML характеризуется тем, что

1) вывод выполняется исключительно на основе онтологии;
2) машинное обучение используется только для подготовки данных;
3) правила полностью заменяют машинное обучение;
4) правила и модель машинного обучения работают независимо с последующим объединением результатов. +

3. Базовая модель искусственного нейрона включает

1) входные признаки, веса и функцию активации; +
2) таблицы условных вероятностей;
3) продукционные правила;
4) только вероятности событий.

4. В архитектуре Data Driven место базы правил занимает

1) семантическая сеть;
2) база знаний;
3) модель машинного обучения; +
4) рабочая память.

5. Гибридная медицинская экспертная система объединяет

1) только базы данных;
2) только вероятностные модели;
3) только нейронные сети;
4) правила и методы машинного обучения. +

6. Главным преимуществом гибридной архитектуры является сочетание

1) высокой скорости и отсутствия данных;
2) хранения и передачи данных;
3) шифрования и визуализации;
4) интерпретируемости правил и точности моделей машинного обучения. +

7. Декларативные знания описывают

1) методы шифрования данных;
2) процессы решения задач;
3) алгоритмы машинного обучения;
4) факты и свойства предметной области. +

8. Коэффициент уверенности в продукционной модели используется для

1) хранения фактов в рабочей памяти;
2) шифрования медицинских данных;
3) описания структуры базы данных;
4) оценки степени достоверности вывода. +

9. Медицинская экспертная система предназначена для

1) поддержки принятия клинических решений; +
2) замены медицинского персонала;
3) ведения бухгалтерского учета;
4) хранения медицинских изображений.

10. Метод SHAP позволяет определить

1) архитектуру нейронной сети;
2) структуру базы знаний;
3) формат хранения изображений;
4) вклад каждого признака в итоговое решение модели. +

11. Модуль Explainable AI предназначен для

1) хранения медицинских данных;
2) создания пользовательских интерфейсов;
3) формирования объяснений результатов модели для врача; +
4) построения онтологий.

12. Мультимодальные модели предназначены для

1) объединения данных различных типов; +
2) хранения онтологий;
3) работы только с изображениями;
4) выполнения SQL-запросов.

13. Обратный вывод является стратегией, ориентированной на

1) цель или гипотезу; +
2) хранение знаний;
3) обработку изображений;
4) данные пациента.

14. Одним из недостатков логических моделей в медицине является

1) возможность работы с неопределенностью;
2) поддержка временной логики;
3) высокая интерпретируемость решений;
4) невозможность учета неопределенности данных. +

15. Основным элементом фрейма является

1) триплет;
2) продукция;
3) вершина графа;
4) слот. +

16. Отношение ISA в семантической сети устанавливается между

1) двумя независимыми событиями;
2) свойством и его значением;
3) экземпляром понятия и понятием; +
4) причиной и следствием.

17. Подход Data Driven основан на использовании

1) статистических закономерностей, извлечённых из данных; +
2) только онтологических моделей;
3) ручного построения диагностических схем;
4) исключительно экспертных правил.

18. Полный цикл обработки информации в медицинской экспертной системе завершается этапом

1) сбора данных;
2) интерпретации результата для врача; +
3) нормализации признаков;
4) хранения данных.

19. Понятия в семантической сети представлены

1) внешними ключами базы данных;
2) продукционными правилами;
3) коэффициентами уверенности;
4) вершинами сети. +

20. Продукционное правило в экспертной системе имеет форму

1) «данные – модель – результат»;
2) «класс – подкласс – экземпляр»;
3) «ЕСЛИ условие, ТО заключение»; +
4) «объект – атрибут – значение».

21. Процедуры-демоны активизируются

1) после завершения вывода;
2) только при удалении фрейма;
3) при каждом обращении к слоту; +
4) только при запуске системы.

22. Прямой вывод представляет собой стратегию логического вывода, начинающуюся с

1) гипотезы и ее проверки;
2) анализа ошибок модели;
3) случайного выбора правил;
4) известных фактов и последовательного применения правил. +

23. Сверточные нейронные сети (CNN) преимущественно используются для

1) обработки онтологий;
2) формирования правил вывода;
3) анализа медицинских изображений; +
4) хранения медицинских данных.

24. Семантическая сеть представляет знания в виде

1) последовательности алгоритмов;
2) набора математических формул;
3) узлов и отношений между ними; +
4) таблиц с фиксированной схемой.

25. Стандарт FHIR используется для

1) интероперабельного обмена медицинскими данными; +
2) сегментации изображений;
3) вычисления вероятностей;
4) обучения нейронных сетей.

26. Технология RAG уменьшает риск галлюцинаций языковой модели за счет

1) обращения к внешним проверенным источникам знаний; +
2) удаления обучающих данных;
3) уменьшения числа параметров модели;
4) использования только экспертных правил.

27. Трансформеры в медицинских системах применяются для

1) анализа текстовой медицинской информации; +
2) построения реляционных баз данных;
3) шифрования медицинских записей;
4) хранения изображений.

28. Федеративное обучение позволяет

1) выполнять только локальную диагностику;
2) обучать модель без передачи исходных данных пациентов между организациями; +
3) отказаться от предобработки данных;
4) исключить использование нейронных сетей.

29. Фрейм представляет собой

1) набор продукционных правил;
2) вероятностную сеть зависимостей;
3) реляционную таблицу данных;
4) структуру данных для представления знаний о типичной ситуации. +

30. Фреймовая модель обладает преимуществом

1) автоматического обучения без экспертов;
2) невозможности наследования;
3) отсутствия иерархий;
4) высокой универсальности представления знаний. +