Keuntungan:
- Keupayaan untuk menggabungkan imej, isyarat, data dan bahagian peraturan ke dalam satu aliran kerja AI bioperubatan yang bertanggungjawab
- Keupayaan untuk menggunakan prinsip pengauditan manusia-dalam-gelung, kebolehkesanan dan pemantauan selepas pengedaran
- Keupayaan untuk mengekalkan had pada setiap peringkat di mana kecerdasan buatan tidak menggantikan kelulusan doktor dan jurutera
Peperiksaan Modul
1. Manakah antara berikut merupakan prinsip asas yang menentukan risiko keluaran AI dalam kejuruteraan bioperubatan?
- A) Risiko pengeluaran adalah sama dengan kemudaratan yang akan ditimbulkan kepada pesakit jika ia tidak betul; skala pengesahan sewajarnya ✔
- B) Output AI secara amnya selamat kerana ia ditulis dengan lancar dan teknikal
- C) Pengesahan tidak diperlukan apabila model terkini digunakan
- D) Jika output merujuk kepada manual, tiada pemeriksaan tambahan diperlukan
Penjelasan: Risiko keluaran sama dengan bahaya kepada pesakit jika keluaran itu tidak betul. Walaupun ralat kecil dalam ringkasan literatur berisiko rendah, ralat memasukkan pengesanan imej atau keputusan klinikal secara langsung mengancam keselamatan pesakit; Oleh itu, skala keamatan pengesahan dengan potensi bahaya, dan setiap keputusan yang melibatkan keselamatan pesakit adalah bergantung pada kelulusan doktor.
2. Apakah peranan wajar model pengesanan yang disokong AI dalam penggunaan klinikal dalam radiologi?
- A) Luluskan laporan pakar radiologi secara automatik dan hapuskan beban kerja
- B) Menutup kes keutamaan rendah tanpa berjumpa pakar radiologi
- C) Jika kebarangkalian model adalah tinggi, buat diagnosis tanpa pemeriksaan tambahan
- D) Menjadi alat sokongan yang menarik perhatian kepada penemuan dan mengutamakannya, tetapi tanggungjawab untuk diagnosis kekal dengan ahli radiologi ✔
Perihalan: Imej AI ialah alat sokongan keputusan: menarik, mengutamakan, mengukur dan bendera; walau bagaimanapun, tanggungjawab diagnostik kekal dengan ahli radiologi. Output model bukan pengganti kepada keputusan ahli radiologi, ia hanya input. Output digunakan bersama dengan penilaian klinikal bebas kerana positif palsu dan negatif palsu sentiasa mungkin.
3. Apakah masalah yang paling biasa apabila mengalihkan prestasi model AI dari satu makmal ke makmal lain dalam patologi digital?
- A) Model berfungsi dengan sangat pantas
- B) Fail slaid terlalu kecil
- C) Peralihan domain yang disebabkan oleh perbezaan pencelupan dan pengimbasan ✔
- D) Pakar patologi tidak mahu menggunakan model itu sama sekali
Penerangan: Protokol pewarnaan, jenama pengimbas dan ketebalan bahagian berbeza dari makmal ke makmal; Jika model telah belajar berdasarkan statistik imej satu makmal, prestasinya akan menurun di makmal lain. Fenomena ini dipanggil anjakan domain dan merupakan punca kegagalan yang paling biasa dalam patologi digital; Itulah sebabnya pengesahan luaran dan normalisasi warna adalah kritikal.
4. Apakah refleks pengesahan pertama jurutera apabila model klasifikasi ECG melabelkan 'fibrilasi atrium'?
- A) Menulis label terus ke dalam fail pesakit sebagai diagnosis
- B) Semak isyarat mentah, artifak dan kebolehpercayaan fisiologi dan serahkan keputusan kepada doktor ✔
- C) Jika skor keyakinan model adalah tinggi, tidak ada keperluan untuk kawalan lain.
- D) Mengarahkan pesakit kepada rawatan dadah
Penjelasan: Keluaran hendaklah diuji terlebih dahulu untuk kebolehpercayaan fisiologi dan kualiti isyarat: hanyutan garis dasar, artifak otot atau kelonggaran elektrod dalam rakaman mungkin meniru irama. Adalah salah untuk mempercayai label tanpa melihat isyarat mentah dan selang R-R; Diagnosis irama terakhir adalah milik doktor. Model menghasilkan isyarat awal, ia tidak membuat keputusan.
5. Apakah ciri utama pemprosesan AI bagi isyarat EEG yang menyukarkan pengesahan?
- A) Nisbah isyarat-ke-bunyi yang rendah dan artifak/kebolehubahan yang tinggi ✔
- B) Isyarat EEG adalah amplitud yang sangat tinggi dan tanpa bunyi
- C) Merakam EEG dari satu saluran sahaja
- D) Data EEG tidak pernah digital
Penjelasan: EEG ialah isyarat amplitud (julat mikrovolt) yang sangat rendah dan mudah dicemari oleh artifak seperti mata berkelip, pergerakan otot, elektrod dan bunyi rangkaian; Selain itu, kebolehubahan antara individu dan rakaman adalah tinggi. Nisbah isyarat-ke-bunyi yang rendah ini menyebabkan output model menjadi rapuh dan memerlukan pengesahan pakar neurofisiologi.
6. Apakah had yang paling penting apabila bekerja dengan data kadar denyutan jantung daripada peranti boleh pakai pengguna?
- A) Bateri peranti cepat habis
- B) Menyimpan data dalam awan
- C) Peranti selalunya tidak diperakui secara perubatan dan isyarat terdedah kepada artifak/berat sebelah ✔
- D) Peranti ini terlalu mahal
Pendedahan: Kebanyakan peranti boleh pakai pengguna tidak disahkan sebagai peranti perubatan; Isyarat PPG (photoplethysmography) dipengaruhi oleh artifak gerakan, dan faktor seperti ton kulit gelap dan tatu mungkin mengurangkan ketepatan. Data ini berharga untuk kecenderungan/kesedaran, tetapi pengukuran klinikal yang disahkan dan penilaian doktor diperlukan untuk keputusan diagnostik.
7. Apakah yang dimaksudkan dengan 'kebocoran sementara' apabila membina model ramalan dengan data rekod kesihatan elektronik (EHR)?
- A) Storan data yang disulitkan
- B) Kebocoran maklumat masa hadapan kepada ciri-ciri yang belum wujud pada masa ramalan ✔
- C) Data terlalu lama
- D) Melatih model terlalu perlahan
Penjelasan: Kebocoran sementara ialah gangguan ciri latihan dengan maklumat yang belum tersedia pada masa ramalan (masa hadapan); contohnya, menggunakan diagnosis pelepasan untuk meramalkan risiko semasa kemasukan. Ini membawa kepada prestasi tinggi dalam makmal tetapi prestasi merosot dalam penggunaan klinikal sebenar dan merupakan salah satu kelemahan model data klinikal yang paling berbahaya.
8. Manakah antara berikut menjadi wajib apabila perisian itu sendiri digambarkan sebagai 'perisian peranti perubatan' (SaMD)?
- A) Cukuplah bekerja dengan pantas
- B) Tidak memerlukan sebarang dokumentasi
- C) Hanya antara muka yang cantik diperlukan
- D) Kawalan reka bentuk, pengurusan risiko, pengesahan/pengesahan dan pematuhan peraturan menjadi wajib ✔
Penerangan: SaMD (Perisian sebagai Peranti Perubatan) ialah perisian yang berfungsi untuk tujuan diagnosis, rawatan atau pemantauan dan tidak bergantung pada sebarang perkakasan. Dalam kes ini, kawalan reka bentuk, pengurusan risiko (ISO 14971), pengesahan/pengesahan dan pematuhan peraturan adalah wajib; Perisian ini tidak boleh dianggap sebagai 'hanya perisian' kerana kegagalannya secara langsung menjejaskan keselamatan pesakit.
9. Apakah risiko paling kritikal apabila anda meminta AI untuk klausa atau nombor standard MDR (Arahan Peranti Perubatan)?
- A) Model menghasilkan artikel/rujukan standard palsu dan membentangkannya dengan selamat ✔
- B) Model memberikan jawapan terlalu pendek
- C) Model bertindak balas dalam bahasa Inggeris
- D) Model bertindak balas terlalu perlahan
Penjelasan: Model bahasa dengan yakin boleh menghasilkan nombor item yang tidak wujud, versi standard yang salah dan rujukan yang dibuat-buat (halusinasi). Dalam pematuhan peraturan, rujukan bahan yang salah membawa kepada kegagalan pematuhan yang serius; jadi setiap atribusi harus disahkan secara bebas daripada teks rasmi, AI harus digunakan untuk navigasi/draf sahaja.
10. Apakah kategori data kesihatan dalam skop KVKK dan apakah maksudnya?
- A) Data peribadi biasa; boleh diproses secara bebas
- B) Ia bukan data peribadi; tiada sekatan
- C) Kategori khas data peribadi; Diproses dengan syarat dan perlindungan yang lebih ketat ✔
- D) Rahsia perdagangan sahaja; tiada privasi diperlukan
Penjelasan: Data kesihatan dianggap 'data peribadi khas' di KVKK; Sebagai peraturan, pemprosesan bergantung pada persetujuan yang jelas atau pengecualian yang ditetapkan oleh undang-undang dan memerlukan langkah perlindungan yang lebih ketat. Oleh itu, data pesakit tidak boleh dimasukkan ke dalam alat yang tidak terkawal; Perjanjian anonimasi, sekatan akses dan pemprosesan data adalah wajib.
11. Apakah maksud 'penentukuran' dalam model AI klinikal dan mengapa ia penting?
- A) Seberapa pantas model berjalan
- B) Berapa banyak parameter yang ada pada model itu?
- C) Warna antara muka model
- D) Keserasian kebarangkalian yang diberikan oleh model dengan frekuensi kejadian sebenar ✔
Penjelasan: Penentukuran ialah pemadanan kebarangkalian yang diberikan oleh model kepada frekuensi sebenar: kejadian itu sepatutnya berlaku pada kira-kira 20% daripada pesakit yang dikatakan '20% risiko'. Memandangkan keputusan di klinik dibuat berdasarkan ambang kebarangkalian, model yang tidak ditentukur dengan baik akan membawa kepada keputusan ambang yang salah walaupun ia mempunyai kedudukan yang betul; oleh itu, penentukuran serta diskriminasi (AUC) mesti disahkan.
12. Mengapakah 'prestasi subkumpulan' perlu diperiksa secara berasingan dalam imej, isyarat atau model data klinikal?
- A) Hanya jumlah ketepatan sentiasa mencukupi
- B) Kerana subkumpulan mempengaruhi kelajuan model
- C) Metrik generik boleh menyembunyikan prestasi rendah dan berat sebelah dalam kumpulan pesakit tertentu ✔
- D) Analisis subkumpulan hanya perlu untuk pemasaran
Penjelasan: Walaupun model mungkin kelihatan baik secara purata, model mungkin menunjukkan prestasi yang lebih teruk dalam subkumpulan tertentu (umur, jantina, warna kulit, jenis peranti, hospital); Metrik umum menyembunyikan ketidaksamaan ini. Dalam penjagaan kesihatan, ini membawa kepada bahaya sistematik dalam sesetengah kumpulan pesakit; Oleh itu, prestasi harus dibahagikan kepada subkumpulan dan dilaporkan untuk keadilan.
13. Apakah pendekatan terbaik terhadap risiko 'pengenalan semula' apabila bekerja dengan data pesakit?
- A) Memadam nama sahaja sudah memadai dalam semua keadaan.
- B) Umumkan pengecam tidak langsung serta pengecam langsung dan hadkan akses ✔
- C) Jika data milik sebilangan kecil orang, tiada langkah berjaga-jaga diperlukan
- D) Hanya menukar nama fail dan bukannya penyulitan
Perihalan: Malah data yang dipadamkan nama boleh dikenal pasti semula dengan gabungan diagnosis, tarikh lahir, poskod dan tarikh yang jarang berlaku. Jadi tidak cukup dengan hanya mengekstrak pengecam langsung; Teknik seperti peralihan tarikh, generalisasi, k-tanpa nama dan kawalan akses harus digunakan bersama-sama, dan teks bebas sensitif juga harus dibersihkan.
14. Apakah sebab utama untuk mengekalkan kawalan 'human-in-the-loop' hujung ke hujung dalam aliran kerja AI bioperubatan?
- A) Kawalan manusia hanya mewujudkan kelambatan dan harus dikeluarkan
- B) Jika skor keyakinan model adalah tinggi, pengesahan manusia tidak diperlukan
- C) Tiada sebab praktikal selain kewajipan undang-undang
- D) AI tertakluk kepada berat sebelah dan ralat; Keputusan dan tanggungjawab keselamatan pesakit harus kekal dengan pakar yang berkelayakan ✔
Penerangan: Kepintaran buatan menjana, mengutamakan dan merangka hipotesis; tetapi corak yang dipelajari daripada data mungkin tidak lengkap, berat sebelah atau di luar konteks. Adalah penting bahawa keputusan mengenai keselamatan pesakit kekal dengan kelulusan doktor dan jurutera yang diberi kuasa, kedua-duanya untuk menangkap kesilapan dan mengekalkan tanggungjawab di tempat yang betul; AI tidak menggantikan kelulusan ini pada mana-mana peringkat.