ලාභ:
- රූපය, සංඥා, දත්ත සහ නියාමන කොටස් තනි වගකිවයුතු ජෛව වෛද්ය AI කාර්ය ප්රවාහයකට ඒකාබද්ධ කිරීමේ හැකියාව
- මිනිසා-තුළ-ලූප් විගණනය, සොයා ගැනීමේ හැකියාව සහ බෙදා හැරීමෙන් පසු නිරීක්ෂණ මූලධර්ම යෙදීමේ හැකියාව
- කෘතිම බුද්ධිය වෛද්යවරුන්ගේ සහ ඉංජිනේරුවන්ගේ අනුමැතිය ප්රතිස්ථාපනය නොකරන සෑම අදියරකදීම සීමාව පවත්වා ගැනීමේ හැකියාව
මොඩියුල විභාගය
1. ජෛව වෛද්ය ඉංජිනේරු විද්යාවේ AI ප්රතිදානයක අවදානම තීරණය කරන මූලික මූලධර්මය පහත සඳහන් මොනවාද?
- A) නිමැවුමේ අවදානම එය වැරදි නම් රෝගියාට ඇති කරන හානියට සමාන වේ; ඒ අනුව වලංගු කිරීමේ පරිමාණයන් ✔
- B) AI ප්රතිදානය සාමාන්යයෙන් ආරක්ෂිත වන්නේ එය චතුර ලෙස සහ තාක්ෂණිකව ලියා ඇති බැවිනි
- C) වඩාත්ම වත්මන් ආකෘතිය භාවිතා කරන විට වලංගු කිරීම අනවශ්යය
- D) ප්රතිදානය අත්පොතකට යොමු කරන්නේ නම්, අමතර චෙක්පත් අවශ්ය නොවේ
පැහැදිලි කිරීම: ප්රතිදානයක අවදානම එම ප්රතිදානය වැරදි නම් රෝගියාට සිදුවන හානිය සමාන වේ. සාහිත්ය සාරාංශයක සුළු දෝෂයක් අඩු අවදානමක් වන අතර, රූප හඳුනාගැනීමක් හෝ සායනික තීරණයක් ඇතුළු කිරීමේ දෝෂයක් රෝගියාගේ ආරක්ෂාවට සෘජුවම තර්ජනය කරයි; එබැවින්, විභව හානියක් සහිත සත්යාපන තීව්රතා පරිමාණයන්, සහ රෝගියාගේ ආරක්ෂාව සම්බන්ධ සෑම තීරණයක්ම වෛද්යවරයාගේ අනුමැතිය මත රඳා පවතී.
2. විකිරණවේදය තුළ සායනික භාවිතයේදී AI-සහාය දක්වන හඳුනාගැනීමේ ආකෘතියක නිසි කාර්යභාරය කුමක්ද?
- A) විකිරණවේදියාගේ වාර්තාව ස්වයංක්රීයව අනුමත කර වැඩ බර ඉවත් කරන්න
- B) විකිරණවේදියෙකු හමුවීමකින් තොරව අඩු ප්රමුඛතා නඩු වසා දැමීම
- C) ආදර්ශ සම්භාවිතාව ඉහළ නම්, අතිරේක පරීක්ෂණයකින් තොරව රෝග විනිශ්චය කරන්න
- D) සොයා ගැනීම කෙරෙහි අවධානය යොමු කරන සහ එයට ප්රමුඛත්වය දෙන ආධාරක මෙවලමක් වීම, නමුත් රෝග විනිශ්චය කිරීමේ වගකීම විකිරණවේදියා වෙත පවතී ✔
විස්තරය: Image AI යනු තීරණ ආධාරක මෙවලමකි: ආකර්ෂණය, ප්රමුඛත්වය, මිනුම් සහ ධජ; කෙසේ වෙතත්, රෝග විනිශ්චය කිරීමේ වගකීම විකිරණවේදියා වෙත පවතී. ආදර්ශ නිමැවුම විකිරණවේදියාගේ තීරණයට ආදේශකයක් නොවේ, එය ආදානයක් පමණි. ව්යාජ ධනාත්මක සහ ව්යාජ සෘණ සෑම විටම හැකි බැවින් ප්රතිදානය ස්වාධීන සායනික ඇගයීම සමඟ ඒකාබද්ධව භාවිතා වේ.
3. ඩිජිටල් ව්යාධි විද්යාවේදී AI ආකෘතියක ක්රියාකාරීත්වය එක් රසායනාගාරයකින් තවත් රසායනාගාරයකට ගෙනයාමේදී ඇති වන පොදු ගැටලුව කුමක්ද?
- A) ආකෘතිය ඉතා වේගයෙන් ක්රියා කරයි
- B) විනිවිදක ගොනු ඉතා කුඩාය
- C) ඩයි කිරීම සහ ස්කෑන් කිරීමේ වෙනස්කම් නිසා ඇති වන වසම් මාරුව ✔
- D) ව්යාධි විද්යාඥයින් කිසිසේත්ම ආකෘතිය භාවිතා කිරීමට කැමති නැත
විස්තරය: පැල්ලම් කිරීමේ ප්රොටෝකෝලය, ස්කෑනර් සන්නාමය සහ අංශ ඝණකම රසායනාගාරයෙන් රසායනාගාරයට වෙනස් වේ; එක් රසායනාගාරයක රූප සංඛ්යාලේඛන මත පදනම්ව ආකෘතිය ඉගෙන ගෙන තිබේ නම්, තවත් රසායනාගාරයක එහි ක්රියාකාරිත්වය අඩු වේ. මෙම සංසිද්ධිය වසම් මාරුව ලෙස හැඳින්වෙන අතර ඩිජිටල් ව්යාධිවේදය තුළ අසාර්ථක වීමේ වඩාත් පොදු හේතුව වේ; බාහිර වලංගුකරණය සහ වර්ණ සාමාන්යකරණය ඉතා වැදගත් වන්නේ එබැවිනි.
4. ECG වර්ගීකරණ ආකෘතියක් 'atrial fibrillation' ලෙස ලේබල් කරන විට ඉංජිනේරුවාගේ පළමු තහවුරු කිරීමේ ප්රත්යාවර්තය කුමක් විය යුතුද?
- A) රෝග විනිශ්චයක් ලෙස ලේබලය කෙලින්ම රෝගියාගේ ගොනුවට ලිවීම
- B) අමු සංඥා, කෞතුක වස්තු සහ භෞතික විද්යාත්මක විශ්වසනීයත්වය පරීක්ෂා කර තීරණය වෛද්යවරයාට භාර දෙන්න ✔
- C) ආකෘතියේ විශ්වාසනීය ලකුණු ඉහළ නම්, වෙනත් පාලනයක් අවශ්ය නොවේ.
- D) ඖෂධ ප්රතිකාර සඳහා රෝගියා යොමු කිරීම
පැහැදිලි කිරීම: ප්රතිදානය ප්රථමයෙන් භෞතික විද්යාත්මක පිළිගත හැකි බව සහ සංඥා ගුණාත්මක භාවය සඳහා පරීක්ෂා කළ යුතුය: පටිගත කිරීමේදී මූලික ප්ලාවිතය, මාංශ පේශි කෞතුක වස්තුව හෝ ඉලෙක්ට්රෝඩ ලිහිල් කිරීම රිද්මය අනුකරණය කළ හැකිය. raw signal සහ R-R intervals නොබලා ලේබලය විශ්වාස කිරීම වැරදියි; අවසාන රිද්ම රෝග විනිශ්චය වෛද්යවරයාට අයත් වේ. ආකෘතිය ප්රාථමික සංඥාවක් නිපදවයි, එය තීරණයක් නොගනී.
5. සත්යාපනය විශේෂයෙන් අපහසු කරන EEG සංඥා AI සැකසීමේ ප්රධාන ලක්ෂණය කුමක්ද?
- A) අඩු සංඥා-ශබ්ද අනුපාතය සහ ඉහළ කෞතුක භාණ්ඩ/විචල්යතාව ✔
- B) EEG සංඥාව ඉතා ඉහළ විස්තාරය සහ ශබ්ද රහිත ය
- C) එක් නාලිකාවකින් පමණක් EEG පටිගත කිරීම
- D) EEG දත්ත කිසි විටෙකත් ඩිජිටල් නොවේ
පැහැදිලි කිරීම: EEG යනු ඉතා අඩු විස්තාරය (මයික්රෝවෝල්ට් පරාසය) සංඥාවක් වන අතර, ඇස් ඇසිපිය හෙළීම, මාංශ පේශි චලනය, ඉලෙක්ට්රෝඩය සහ ජාල ශබ්දය වැනි කෞතුක වස්තු මගින් පහසුවෙන් දූෂණය වේ; මීට අමතරව, පුද්ගලයන් සහ පටිගත කිරීම් අතර විචල්යතාව ඉහළය. මෙම අඩු සංඥා-ශබ්ද අනුපාතය ආකෘති නිමැවුම් බිඳෙනසුලු වීමට හේතු වන අතර විශේෂඥ ස්නායු භෞතික විද්යාඥයින් තහවුරු කිරීම අවශ්ය වේ.
6. පාරිභෝගික පැළඳිය හැකි උපාංගයකින් හෘද ස්පන්දන දත්ත සමඟ වැඩ කිරීමේදී වඩාත්ම වැදගත් සීමාව කුමක්ද?
- A) උපාංගයේ බැටරිය ඉක්මනින් අවසන් වේ
- B) වලාකුළෙහි දත්ත ගබඩා කිරීම
- C) උපාංගය බොහෝ විට වෛද්ය සහතික කර නොමැති අතර සංඥාව කෞතුක වස්තු/පක්ෂපාතීත්වයට ගොදුරු වේ ✔
- D) උපාංගය මිල අධිකයි
හෙළිදරව් කිරීම: බොහෝ පාරිභෝගිකයින්ට පැළඳිය හැකි උපාංග වෛද්ය උපකරණ ලෙස සහතික කර නොමැත; PPG (photoplethysmography) සංඥාව චලන කෞතුක වස්තුව මගින් බලපාන අතර අඳුරු සමේ තානය සහ පච්ච කෙටීම වැනි සාධක නිරවද්යතාවය අඩු කළ හැක. මෙම දත්ත ප්රවණතාවය/දැනුවත්කම සඳහා වටිනා නමුත් රෝග විනිශ්චය තීරණය සඳහා වලංගු සායනික මිනුම් සහ වෛද්ය ඇගයීම අවශ්ය වේ.
7. ඉලෙක්ට්රොනික සෞඛ්ය වාර්තා (EHR) දත්ත සමඟ අනාවැකි ආකෘතියක් තැනීමේදී 'තාවකාලික කාන්දු වීම' යන්නෙන් අදහස් කරන්නේ කුමක්ද?
- A) සංකේතාත්මක දත්ත ගබඩා කිරීම
- B) පුරෝකථනය කරන අවස්ථාවේ තවමත් නොපවතින විශේෂාංග වලට අනාගත තොරතුරු කාන්දු වීම ✔
- C) දත්ත ඉතා පැරණි ය
- D) ආකෘතිය ඉතා සෙමින් පුහුණු කිරීම
පැහැදිලි කිරීම: තාවකාලික කාන්දු වීම යනු පුරෝකථනය කරන අවස්ථාවේ (අනාගතය) තවමත් ලබා ගත නොහැකි තොරතුරු සමඟ පුහුණු විශේෂාංගවලට බාධා කිරීමයි; උදාහරණයක් ලෙස, ඇතුළත් වීමේ අවදානම පුරෝකථනය කිරීම සඳහා විසර්ජන රෝග විනිශ්චය භාවිතා කිරීම. මෙය රසායනාගාරයේ ඉහළ කාර්ය සාධනයකට තුඩු දෙන නමුත් සැබෑ සායනික භාවිතයේ කාර්ය සාධනය බිඳ වැටීමට හේතු වන අතර එය සායනික දත්ත ආකෘතිවල වඩාත්ම ද්රෝහී දෝෂයකි.
8. මෘදුකාංගයක් 'වෛද්ය උපාංග මෘදුකාංග' (SaMD) ලෙස විස්තර කරන විට පහත සඳහන් දේවලින් අනිවාර්ය වන්නේ කුමක්ද?
- A) වේගයෙන් වැඩ කිරීම පමණක් ප්රමාණවත්ය
- B) කිසිදු ලියකියවිලි අවශ්ය නොවේ
- C) අලංකාර අතුරු මුහුණතක් පමණක් අවශ්ය වේ
- D) සැලසුම් පාලනය, අවදානම් කළමනාකරණය, සත්යාපනය / වලංගු කිරීම සහ නියාමන අනුකූලතාවය අනිවාර්ය වේ ✔
විස්තරය: SaMD (වෛද්ය උපාංගයක් ලෙස මෘදුකාංගය) යනු රෝග විනිශ්චය, ප්රතිකාර හෝ අධීක්ෂණ අරමුණු සඳහා ක්රියා කරන මෘදුකාංගයක් වන අතර කිසිදු දෘඪාංගයක් මත රඳා නොපවතී. මෙම අවස්ථාවෙහිදී, සැලසුම් පාලන, අවදානම් කළමනාකරණය (ISO 14971), සත්යාපනය / වලංගු කිරීම සහ නියාමන අනුකූලතාවය අනිවාර්ය වේ; මෘදුකාංගය 'හුදු මෘදුකාංගයක්' ලෙස සැලකිය නොහැක්කේ එහි අසාර්ථකත්වය රෝගියාගේ ආරක්ෂාවට සෘජුවම බලපාන බැවිනි.
9. ඔබ MDR (වෛද්ය උපාංග විධානය) වගන්තියක් හෝ සම්මත අංකයක් සඳහා AI වෙතින් විමසන විට වඩාත්ම තීරණාත්මක අවදානම කුමක්ද?
- A) ආකෘතිය ව්යාජ ලිපි/සම්මත යොමු නිෂ්පාදනය කර ඒවා ආරක්ෂිතව ඉදිරිපත් කරයි ✔
- B) ආකෘතිය ඉතා කෙටි පිළිතුරක් ලබා දෙයි
- C) ආකෘතිය ඉංග්රීසියෙන් ප්රතිචාර දක්වයි
- D) ආකෘතිය ඉතා සෙමින් ප්රතිචාර දක්වයි
පැහැදිලි කිරීම: භාෂා ආකෘතිවලට නොපවතින අයිතම අංක, වැරදි සම්මත අනුවාද සහ සාදන ලද යොමු කිරීම් (මායාව) විශ්වාසයෙන් නිපදවිය හැක. නියාමන අනුකූලතාවයේ දී, වැරදි ද්රව්ය සඳහනක් බරපතල අනුකූලතා අසාර්ථක වීමට හේතු වේ; එබැවින් එක් එක් ආරෝපණය නිල පාඨයෙන් ස්වාධීනව සත්යාපනය කළ යුතුය, AI භාවිතා කළ යුත්තේ සංචාලනය/කෙටුම්පත් කිරීම සඳහා පමණි.
10. සෞඛ්ය දත්ත KVKK හි විෂය පථයට අයත් වන්නේ කුමන කාණ්ඩයටද සහ මෙයින් අදහස් කරන්නේ කුමක්ද?
- A) සාමාන්ය පුද්ගලික දත්ත; නිදහසේ සැකසිය හැක
- B) එය පුද්ගලික දත්ත නොවේ; there is no restriction
- C) පුද්ගලික දත්ත විශේෂ කාණ්ඩ; ✔ දැඩි කොන්දේසි සහ ආරක්ෂණ සහිතව සකස් කර ඇත
- D) වෙළඳ රහස පමණක්; පෞද්ගලිකත්වය අවශ්ය නොවේ
පැහැදිලි කිරීම: සෞඛ්ය දත්ත KVKK හි 'විශේෂ පුද්ගලික දත්ත' ලෙස සැලකේ; රීතියක් ලෙස, සැකසීම පැහැදිලි කැමැත්ත හෝ නීතියෙන් නියම කර ඇති ව්යතිරේක මත රඳා පවතින අතර වඩාත් දැඩි ආරක්ෂණ පියවරයන් අවශ්ය වේ. එබැවින්, පාලනය නොකළ මෙවලම් වලට රෝගියාගේ දත්ත ඇතුළත් කළ නොහැක; නිර්නාමිකකරණය, ප්රවේශ සීමා කිරීම් සහ දත්ත සැකසුම් ගිවිසුම් අනිවාර්ය වේ.
11. සායනික AI ආකෘතියක 'ක්රමාංකනය' යන්නෙන් අදහස් කරන්නේ කුමක්ද සහ එය වැදගත් වන්නේ ඇයි?
- A) ආකෘතිය කෙතරම් වේගයෙන් ධාවනය වේ
- B) ආකෘතියේ පරාමිතීන් කීයක් තිබේද?
- C) ආකෘතියේ අතුරු මුහුණත වර්ණය
- D) සත්ය සිදුවීම් සංඛ්යාත සමඟ ආකෘතිය විසින් ලබා දී ඇති සම්භාවිතාවන්ගේ ගැළපුම ✔
පැහැදිලි කිරීම: ක්රමාංකනය යනු ආකෘතිය විසින් ලබා දී ඇති සම්භාවිතාව සැබෑ සංඛ්යාතවලට ගැලපීමයි: මෙම සිදුවීම '20% අවදානමක්' යැයි පවසන රෝගීන්ගෙන් 20%ක් පමණ තුළ ඇත්ත වශයෙන්ම සිදුවිය යුතුය. සායනයේ තීරණ සම්භාවිතා එළිපත්ත මත පදනම්ව ගනු ලබන බැවින්, දුර්වල ලෙස ක්රමාංකනය කරන ලද ආකෘතියක් එය නිවැරදිව ශ්රේණිගත කළද වැරදි එළිපත්ත තීරණවලට තුඩු දෙනු ඇත; එබැවින්, ක්රමාංකනය මෙන්ම වෙනස්කම් කිරීම (AUC) සත්යාපනය කළ යුතුය.
12. රූප, සංඥා හෝ සායනික දත්ත ආකෘතිවල 'උප සමූහ කාර්ය සාධනය' වෙන වෙනම පරීක්ෂා කළ යුත්තේ ඇයි?
- A) සම්පූර්ණ නිරවද්යතාවය සැමවිටම ප්රමාණවත් වේ
- B) උප කණ්ඩායම් ආදර්ශ වේගයට බලපාන බැවිනි
- C) සාමාන්ය මෙට්රික් මගින් විශේෂිත රෝගී කණ්ඩායම්වල අඩු කාර්ය සාධනය සහ පක්ෂග්රාහීත්වය සැඟවිය හැක ✔
- D) උප සමූහ විශ්ලේෂණය අවශ්ය වන්නේ අලෙවිකරණය සඳහා පමණි
පැහැදිලි කිරීම: ආකෘතියක් සාමාන්යයෙන් හොඳ පෙනුමක් ඇති අතර, එය ඇතැම් උප කණ්ඩායම් (වයස, ස්ත්රී පුරුෂ භාවය, සමේ ස්වරය, උපාංග වර්ගය, රෝහල) තුළ සැලකිය යුතු ලෙස නරක ලෙස ක්රියා කරයි; සාමාන්ය මෙට්රික් මෙම අසමානතාවය සඟවයි. සෞඛ්යාරක්ෂාව තුළ, මෙය සමහර රෝගී කණ්ඩායම් තුළ ක්රමානුකූල හානියක් සිදු කරයි; එබැවින් කාර්ය සාධනය උප කණ්ඩායම්වලට බෙදා සාධාරණත්වය සඳහා වාර්තා කළ යුතුය.
13. රෝගියාගේ දත්ත සමඟ වැඩ කිරීමේදී 'නැවත හඳුනාගැනීමේ' අවදානමට එරෙහිව හොඳම ප්රවේශය කුමක්ද?
- A) ඕනෑම තත්වයක් යටතේ නම මකා දැමීම පමණක් ප්රමාණවත් වේ.
- B) වක්ර හඳුනාගැනීම් මෙන්ම සෘජු හඳුනාගැනීම් සාමාන්යකරණය කිරීම සහ ප්රවේශය සීමා කිරීම ✔
- C) දත්ත කුඩා පිරිසකට අයත් නම්, කිසිදු පූර්වාරක්ෂාවක් අවශ්ය නොවේ
- D) සංකේතනය වෙනුවට ගොනු නාමය වෙනස් කරන්න
විස්තරය: නම-මකා දැමූ දත්ත පවා රෝග විනිශ්චය, උපන් දිනය, සිප් කේතය සහ දිනය යන දුර්ලභ සංයෝජන සමඟින් නැවත හඳුනාගත හැක. එබැවින් සෘජු හඳුනාගැනීම් උපුටා ගැනීම පමණක් ප්රමාණවත් නොවේ; දිනය මාරු කිරීම, සාමාන්යකරණය, k-නිර්නාමිකභාවය සහ ප්රවේශ පාලනය වැනි ශිල්පීය ක්රම එකට යෙදිය යුතු අතර, සංවේදී නිදහස් පෙළද පිරිසිදු කළ යුතුය.
14. ජෛව වෛද්ය AI කාර්ය ප්රවාහය තුළ අවසානය සිට අවසානය දක්වා 'මිනිස්-ඉන්-ද-ලූප්' පාලනය පවත්වාගෙන යාමට මූලික හේතුව කුමක්ද?
- A) මානව පාලනය මන්දගාමීත්වය පමණක් ඇති කරන අතර එය ඉවත් කළ යුතුය
- B) ආදර්ශ විශ්වාසනීය ලකුණු ඉහළ නම්, මානව වලංගුකරණය අනවශ්යයි
- C) නීතිමය බැඳීමක් හැර වෙනත් ප්රායෝගික හේතුවක් නොමැත
- D) AI පක්ෂග්රාහී සහ දෝෂයකට යටත් වේ; රෝගියාගේ ආරක්ෂාව පිළිබඳ තීරණ සහ වගකීම සුදුසුකම් ලත් විශේෂඥයා සමඟ පැවතිය යුතුය ✔
විස්තරය: කෘතිම බුද්ධිය උපකල්පන ජනනය කරයි, ප්රමුඛත්වය දෙයි සහ කෙටුම්පත් කරයි; නමුත් එය දත්ත වලින් ඉගෙන ගන්නා රටාවන් අසම්පූර්ණ, පක්ෂග්රාහී හෝ සන්දර්භයෙන් බැහැර විය හැක. රෝගියාගේ ආරක්ෂාව පිළිබඳ තීරණ බලයලත් වෛද්යවරයාගේ සහ ඉංජිනේරුවරයාගේ අනුමැතිය ඇතිව පැවතීම අත්යවශ්ය වන අතර, වැරදි අල්ලා ගැනීමට සහ වගකීම නිසි තැන තබා ගැනීමට; AI මෙම අනුමැතිය කිසිම අවස්ථාවක ප්රතිස්ථාපනය නොකරයි.