Vinster:
- Möjlighet att kombinera bild, signal, data och reglering till ett enda ansvarsfullt biomedicinskt AI-arbetsflöde
- Ability to apply human-in-the-loop auditing, traceability and post-distribution monitoring principles
- Förmåga att upprätthålla gränsen i varje skede där artificiell intelligens inte ersätter godkännandet av läkare och ingenjörer
Modulexamen
1. Vilken av följande är den grundläggande principen som bestämmer risken för en AI-utgång inom biomedicinsk teknik?
- A) Risken för utmatningen är lika med den skada den skulle orsaka patienten om den var felaktig; valideringsskalor därefter ✔
- B) AI-utdata är i allmänhet säker eftersom den är skriven flytande och tekniskt
- C) Validering är onödig när den senaste modellen används
- D) Om utgången hänvisar till en manual krävs inga ytterligare kontroller
Förklaring: Risken för en utmatning är lika med skadan för patienten om den utmatningen är felaktig. Medan ett mindre fel i en litteratursammanfattning är låg risk, hotar ett fel vid inmatning av en bilddetektering eller ett kliniskt beslut direkt patientsäkerheten; Därför skalar verifieringsintensiteten med potentiell skada, och varje beslut som involverar patientsäkerhet är beroende av läkares godkännande.
2. Vilken roll har en AI-stödd detektionsmodell vid klinisk användning inom radiologi?
- A) Godkänn automatiskt radiologens rapport och eliminera arbetsbelastningen
- B) Avsluta lågprioriterade fall utan att träffa en radiolog
- C) Om modellsannolikheten är hög, ställ en diagnos utan ytterligare undersökning
- D) Att vara ett stödverktyg som uppmärksammar fyndet och prioriterar det, men ansvaret för diagnosen ligger kvar hos radiologen ✔
Beskrivning: Bild AI är ett beslutsstödsverktyg: attraherar, prioriterar, mäter och flaggar; Det diagnostiska ansvaret förblir dock hos radiologen. Modellutgången är inte en ersättning för radiologens beslut, den är bara en input. Resultatet används i samband med oberoende klinisk utvärdering eftersom falska positiva och falska negativa är alltid möjliga.
3. Vilket är det vanligaste problemet vid portering av prestanda för en AI-modell från ett laboratorium till ett annat inom digital patologi?
- A) Modellen fungerar väldigt snabbt
- B) Bildfilerna är för små
- C) Domänskifte orsakat av färgnings- och skanningsskillnader ✔
- D) Patologer vill inte alls använda modellen
Beskrivning: Färgningsprotokoll, skannermärke och snitttjocklek varierar från laboratorium till laboratorium; Om modellen har lärt sig baserat på bildstatistiken från ett laboratorium, kommer dess prestanda att minska i ett annat laboratorium. Detta fenomen kallas domänförskjutning och är den vanligaste orsaken till misslyckande inom digital patologi; Det är därför extern validering och färgnormalisering är avgörande.
4. Vilken bör vara ingenjörens första bekräftelsereflex när en EKG-klassificeringsmodell märker "förmaksflimmer"?
- A) Skriva in etiketten direkt i patientjournalen som diagnos
- B) Kontrollera råsignalen, artefakter och fysiologisk rimlighet och överlåt beslutet till läkaren ✔
- C) Om modellens konfidenspoäng är hög, finns det inget behov av någon annan kontroll.
- D) Styra patienten till läkemedelsbehandling
Förklaring: Utgången bör först testas för fysiologisk rimlighet och signalkvalitet: baslinjedrift, muskelartefakt eller elektrodavslappning i inspelningen kan efterlikna rytmen. Det är fel att lita på etiketten utan att titta på råsignalen och R-R-intervallen; Den slutliga rytmdiagnosen tillhör läkaren. Modellen ger en preliminär signal, den fattar inget beslut.
5. Vad är nyckelfunktionen i AI-bearbetning av EEG-signaler som gör verifieringen särskilt svår?
- A) Lågt signal-brusförhållande och hög artefakt/variabilitet ✔
- B) EEG-signalen är mycket hög amplitud och ljudlös
- C) Spela in EEG från endast en kanal
- D) EEG-data är aldrig digitala
Förklaring: EEG är en signal med mycket låg amplitud (mikrovoltområde) och är lätt förorenad av artefakter som ögonblinkande, muskelrörelser, elektrod- och nätverksbrus; Dessutom är variationen mellan individer och inspelningar stor. Detta låga signal-till-brusförhållande gör att modellutgångarna är ömtåliga och kräver validering av expert neurofysiolog.
6. Vilken är den viktigaste gränsen när man arbetar med pulsdata från en bärbar konsumentenhet?
- A) The device's battery runs out quickly
- B) Lagra data i molnet
- C) Enheten är ofta inte medicinskt certifierad och signalen är känslig för artefakter/bias ✔
- D) Enheten är för dyr
Avslöjande: De flesta bärbara konsumentprodukter är inte certifierade som medicintekniska produkter; PPG-signalen (fotopletysmografi) påverkas av rörelseartefakter, och faktorer som mörk hudton och tatueringar kan minska noggrannheten. Dessa data är värdefulla för benägenhet/medvetenhet, men validerade kliniska mätningar och läkarutvärdering krävs för diagnostiskt beslut.
7. Vad betyder "temporärt läckage" när man bygger en prediktiv modell med data om elektroniska journaler (EPJ)?
- A) Krypterad lagring av data
- B) Läckage av framtida information till funktioner som ännu inte existerar vid tidpunkten för prognosen ✔
- C) Uppgifterna är för gamla
- D) Träna modellen för långsamt
Förklaring: Temporellt läckage är interferens mellan träningsfunktioner och information som ännu inte är tillgänglig vid tidpunkten för förutsägelse (framtid); till exempel att använda utskrivningsdiagnos för att förutsäga risk vid inläggning. Detta leder till hög prestanda i laboratoriet men kraschar prestanda vid verklig klinisk användning och är en av de mest lömska bristerna i kliniska datamodeller.
8. Vilket av följande blir obligatoriskt när en programvara i sig beskrivs som "medicinsk utrustningsmjukvara" (SaMD)?
- A) Det räcker att bara jobba snabbt
- B) Kräver ingen dokumentation
- C) Endast ett vackert gränssnitt krävs
- D) Designkontroll, riskhantering, verifiering/validering och regelefterlevnad blir obligatoriska ✔
Beskrivning: SaMD (Software as a Medical Device) är programvara som fungerar för diagnos, behandling eller övervakningsändamål och inte är beroende av någon hårdvara. I detta fall är designkontroller, riskhantering (ISO 14971), verifiering/validering och regelefterlevnad obligatoriska; Programvaran kan inte behandlas som "bara programvara" eftersom dess fel direkt påverkar patientsäkerheten.
9. Vilken är den mest kritiska risken när du ber AI om en MDR (Medical Device Directive)-klausul eller standardnummer?
- A) Modellen producerar falska artikel/standardreferenser och presenterar dem säkert ✔
- B) Modellen ger svaret för kort
- C) Modellen svarar på engelska
- D) Modellen svarar för långsamt
Förklaring: Språkmodeller kan med säkerhet producera obefintliga artikelnummer, felaktiga standardversioner och påhittade referenser (hallucination). Vid regelefterlevnad leder en felaktig ämnesreferens till allvarliga överensstämmelsemisslyckanden; så varje tillskrivning bör verifieras oberoende av den officiella texten, AI bör endast användas för navigering/ritning.
10. Vilken kategori faller hälsodata inom ramen för KVKK och vad betyder detta?
- A) Vanliga personuppgifter; kan behandlas fritt
- B) Det är inte personuppgifter; det finns ingen begränsning
- C) Särskilda kategorier av personuppgifter; Bearbetas med strängare villkor och skydd ✔
- D) Endast affärshemlighet; ingen sekretess krävs
Förklaring: Hälsodata anses vara "särskilda personuppgifter" i KVKK; Behandlingen är i regel beroende av uttryckligt samtycke eller undantag enligt lag och kräver strängare skyddsåtgärder. Därför kan patientdata inte matas in i okontrollerade verktyg; Anonymisering, åtkomstbegränsning och databehandlingsavtal är obligatoriska.
11. Vad betyder "kalibrering" i en klinisk AI-modell och varför är det viktigt?
- A) Hur snabbt modellen går
- B) Hur många parametrar har modellen?
- C) Modellens gränssnittsfärg
- D) Kompatibilitet mellan sannolikheterna som ges av modellen med de faktiska händelsefrekvenserna ✔
Förklaring: Kalibrering är anpassningen av sannolikheterna som ges av modellen till de faktiska frekvenserna: händelsen bör faktiskt inträffa hos cirka 20 % av patienterna för vilka det står ”20 % risk”. Eftersom beslut i kliniken fattas utifrån sannolikhetströsklar kommer en dåligt kalibrerad modell att leda till felaktiga tröskelbeslut även om den rankas rätt; därför måste kalibrering såväl som diskriminering (AUC) verifieras.
12. Varför ska "undergruppsprestanda" kontrolleras separat i bild-, signal- eller kliniska datamodeller?
- A) Bara total noggrannhet är alltid tillräckligt
- B) Eftersom undergrupper påverkar modellhastigheten
- C) Generisk statistik kan dölja underprestationer och fördomar i specifika patientgrupper ✔
- D) Undergruppsanalys är endast nödvändig för marknadsföring
Förklaring: Även om en modell i genomsnitt kan se bra ut, kan den prestera betydligt sämre i vissa undergrupper (ålder, kön, hudton, enhetstyp, sjukhus); Det allmänna måttet döljer denna ojämlikhet. Inom vården leder detta till systematisk skada i vissa patientgrupper; Därför bör prestationer delas in i undergrupper och rapporteras för rättvisans skull.
13. Vad är det bästa förhållningssättet mot risken för "återidentifiering" när man arbetar med patientdata?
- A) Det räcker under alla omständigheter att bara ta bort namnet.
- B) Generalisera indirekta identifierare såväl som direkta identifierare och begränsa åtkomsten ✔
- C) Om uppgifterna tillhör ett litet antal personer krävs inga försiktighetsåtgärder
- D) Bara att ändra filnamnet istället för kryptering
Beskrivning: Även namnraderade data kan återidentifieras med sällsynta kombinationer av diagnos, födelsedatum, postnummer och datum. Så det räcker inte att bara extrahera direkta identifierare; Tekniker som datumförskjutning, generalisering, k-anonymitet och åtkomstkontroll bör tillämpas tillsammans, och känslig fritext bör också rengöras.
14. Vilket är det främsta skälet till att upprätthålla end-to-end "mänskliga-i-slingan"-kontroll i det biomedicinska AI-arbetsflödet?
- A) Mänsklig kontroll skapar bara långsamhet och bör tas bort
- B) Om modellens konfidenspoäng är hög är mänsklig validering onödig
- C) Det finns inget annat praktiskt skäl än juridisk skyldighet
- D) AI är föremål för partiskhet och fel; Patientsäkerhetsbeslut och ansvar bör ligga kvar hos den kvalificerade specialisten ✔
Beskrivning: Artificiell intelligens genererar, prioriterar och formulerar hypoteser; men mönstren som den lär sig från data kan vara ofullständiga, partiska eller ur sitt sammanhang. Det är absolut nödvändigt att beslut om patientsäkerhet förblir med godkännande av den auktoriserade läkaren och ingenjören, både för att fånga upp fel och för att hålla ansvaret på rätt plats; AI ersätter inte detta godkännande i något skede.