Mga nadagdag:
- Kakayahang pagsamahin ang mga piraso ng imahe, signal, data at regulasyon sa isang responsableng biomedical AI workflow
- Kakayahang mag-apply ng human-in-the-loop auditing, traceability at post-distribution monitoring principles
- Kakayahang mapanatili ang limitasyon sa bawat yugto kung saan hindi pinapalitan ng artificial intelligence ang pag-apruba ng mga doktor at inhinyero
Pagsusulit sa Module
1. Alin sa mga sumusunod ang pangunahing prinsipyo na tumutukoy sa panganib ng isang output ng AI sa biomedical engineering?
- A) Ang panganib ng output ay katumbas ng pinsalang idudulot nito sa pasyente kung ito ay mali; naaayon ang validation scale ✔
- B) Ang output ng AI ay karaniwang ligtas dahil ito ay nakasulat nang matatas at teknikal
- C) Ang pagpapatunay ay hindi kailangan kapag ang pinakabagong modelo ang ginamit
- D) Kung ang output ay tumutukoy sa isang manwal, walang karagdagang pagsusuri ang kinakailangan
Paliwanag: Ang panganib ng isang output ay katumbas ng pinsala sa pasyente kung ang output ay hindi tama. Habang ang isang maliit na error sa isang buod ng literatura ay mababa ang panganib, ang isang error sa pagpasok ng isang pagtukoy ng larawan o klinikal na desisyon ay direktang nagbabanta sa kaligtasan ng pasyente; Samakatuwid, ang intensity ng pag-verify ay may potensyal na pinsala, at ang bawat desisyon na kinasasangkutan ng kaligtasan ng pasyente ay nakasalalay sa pag-apruba ng doktor.
2. Ano ang wastong papel ng isang modelo ng pagtuklas na sinusuportahan ng AI sa klinikal na paggamit sa radiology?
- A) Awtomatikong aprubahan ang ulat ng radiologist at alisin ang workload
- B) Pagsasara ng mga kaso na mababa ang priyoridad nang hindi nagpapatingin sa isang radiologist
- C) Kung mataas ang posibilidad ng modelo, gumawa ng diagnosis nang walang karagdagang pagsusuri
- D) Ang pagiging isang tool sa suporta na nagbibigay-pansin sa paghahanap at binibigyang-priyoridad ito, ngunit ang responsibilidad para sa diagnosis ay nananatili sa radiologist ✔
Paglalarawan: Ang Image AI ay isang tool na sumusuporta sa desisyon: umaakit, nagbibigay-priyoridad, sumusukat at nag-flag; gayunpaman, ang pananagutan sa diagnostic ay nananatili sa radiologist. Ang output ng modelo ay hindi isang kapalit para sa desisyon ng radiologist, ito ay isang input lamang. Ang output ay ginagamit kasabay ng independiyenteng klinikal na pagsusuri dahil ang mga maling positibo at maling negatibo ay palaging posible.
3. Ano ang pinakakaraniwang problema kapag ini-port ang pagganap ng isang modelo ng AI mula sa isang laboratoryo patungo sa isa pa sa digital pathology?
- A) Ang modelo ay gumagana nang napakabilis
- B) Masyadong maliit ang mga slide file
- C) Paglipat ng domain na sanhi ng mga pagkakaiba sa pagtitina at pag-scan ✔
- D) Hindi gustong gamitin ng mga pathologist ang modelo
Paglalarawan: Ang protocol ng paglamlam, tatak ng scanner, at kapal ng seksyon ay nag-iiba sa bawat laboratoryo; Kung ang modelo ay natutunan batay sa mga istatistika ng imahe ng isang laboratoryo, ang pagganap nito ay bababa sa isa pang laboratoryo. Ang hindi pangkaraniwang bagay na ito ay tinatawag na paglilipat ng domain at ang pinakakaraniwang sanhi ng pagkabigo sa digital na patolohiya; Kaya naman kritikal ang external validation at color normalization.
4. Ano ang dapat na unang confirmation reflex ng engineer kapag ang ECG classification model ay may label na 'atrial fibrillation'?
- A) Direktang pagsusulat ng label sa file ng pasyente bilang diagnosis
- B) Suriin ang hilaw na signal, artifact at physiological plausibility at ipaubaya ang desisyon sa doktor ✔
- C) Kung mataas ang marka ng kumpiyansa ng modelo, hindi na kailangan ng anumang iba pang kontrol.
- D) Pagtuturo sa pasyente sa paggamot sa droga
Paliwanag: Dapat munang masuri ang output para sa physiological plausibility at kalidad ng signal: baseline drift, muscle artifact o electrode relaxation sa recording ay maaaring gayahin ang ritmo. Maling magtiwala sa label nang hindi tinitingnan ang hilaw na signal at mga pagitan ng R-R; Ang pangwakas na diagnosis ng ritmo ay pag-aari ng manggagamot. Ang modelo ay gumagawa ng isang paunang signal, hindi ito gumagawa ng desisyon.
5. Ano ang pangunahing tampok ng pagproseso ng AI ng mga signal ng EEG na nagpapahirap lalo na sa pag-verify?
- A) Mababang signal-to-noise ratio at mataas na artifact/variability ✔
- B) Ang signal ng EEG ay napakataas na amplitude at walang ingay
- C) Pagre-record ng EEG mula sa isang channel lamang
- D) Ang data ng EEG ay hindi kailanman digital
Paliwanag: Ang EEG ay isang napakababang amplitude (microvolt range) na signal at madaling mahawahan ng mga artifact tulad ng pagkurap ng mata, paggalaw ng kalamnan, elektrod at ingay ng network; Bukod pa rito, mataas ang pagkakaiba-iba sa pagitan ng mga indibidwal at mga pag-record. Ang mababang signal-to-noise ratio ay nagiging sanhi ng pagiging marupok ng mga output ng modelo at nangangailangan ng pagpapatunay ng ekspertong neurophysiologist.
6. Ano ang pinakamahalagang limitasyon kapag nagtatrabaho sa data ng rate ng puso mula sa isang device na naisusuot ng consumer?
- A) Mabilis na maubusan ang baterya ng device
- B) Pag-iimbak ng data sa cloud
- C) Ang device ay kadalasang hindi medikal na certified at ang signal ay madaling kapitan ng artifact/bias ✔
- D) Masyadong mahal ang device
Pagbubunyag: Karamihan sa mga nasusuot na device ng consumer ay hindi sertipikado bilang mga medikal na device; Ang signal ng PPG (photoplethysmography) ay apektado ng motion artifact, at ang mga kadahilanan tulad ng dark skin tone at mga tattoo ay maaaring mabawasan ang katumpakan. Ang mga data na ito ay mahalaga para sa propensity/awareness, ngunit ang validated clinical measurement at pagsusuri ng doktor ay kinakailangan para sa diagnostic na desisyon.
7. Ano ang ibig sabihin ng 'temporal leakage' kapag gumagawa ng predictive model na may electronic health record (EHR) data?
- A) Naka-encrypt na imbakan ng data
- B) Ang pagtagas ng impormasyon sa hinaharap sa mga tampok na hindi pa umiiral sa oras ng hula ✔
- C) Masyadong luma ang data
- D) Masyadong mabagal ang pagsasanay sa modelo
Paliwanag: Ang pansamantalang pagtagas ay ang interference ng mga feature ng pagsasanay sa impormasyon na hindi pa magagamit sa oras ng hula (hinaharap); halimbawa, gamit ang discharge diagnosis upang mahulaan ang panganib sa pagpasok. Ito ay humahantong sa mataas na pagganap sa laboratoryo ngunit bumagsak ang pagganap sa tunay na klinikal na paggamit at isa sa mga pinaka-mapanlinlang na mga depekto ng mga klinikal na modelo ng data.
8. Alin sa mga sumusunod ang nagiging mandatory kapag ang isang software mismo ay inilarawan bilang 'medical device software' (SaMD)?
- A) Ang pagtatrabaho lamang ng mabilis ay sapat na
- B) Hindi nangangailangan ng anumang dokumentasyon
- C) Isang magandang interface lamang ang kailangan
- D) Ang kontrol sa disenyo, pamamahala sa peligro, pag-verify/validasyon at pagsunod sa regulasyon ay nagiging mandatory ✔
Paglalarawan: Ang SaMD (Software bilang isang Medical Device) ay software na gumagana para sa diagnosis, paggamot o pagsubaybay na layunin at hindi nakadepende sa anumang hardware. Sa kasong ito, ang mga kontrol sa disenyo, pamamahala sa peligro (ISO 14971), pag-verify/validation at pagsunod sa regulasyon ay sapilitan; Ang software ay hindi maaaring ituring bilang 'software lang' dahil ang pagkabigo nito ay direktang nakakaapekto sa kaligtasan ng pasyente.
9. Ano ang pinaka kritikal na panganib kapag humingi ka sa AI ng isang sugnay o karaniwang numero ng MDR (Medical Device Directive)?
- A) Gumagawa ang modelo ng pekeng artikulo/karaniwang mga sanggunian at ligtas itong inilalahad ✔
- B) Masyadong maikli ang sagot ng modelo
- C) Tumutugon ang modelo sa Ingles
- D) Masyadong mabagal ang pagtugon ng modelo
Paliwanag: Ang mga modelo ng wika ay kumpiyansa na makakagawa ng mga hindi umiiral na numero ng item, maling mga karaniwang bersyon, at mga gawa-gawang sanggunian (hallucination). Sa pagsunod sa regulasyon, ang isang maling sanggunian ng sangkap ay humahantong sa malubhang pagkabigo sa pagsunod; kaya ang bawat attribution ay dapat na ma-verify nang hiwalay sa opisyal na text, AI ay dapat gamitin para sa navigation/drafting lang.
10. Anong kategorya ang nasasakupan ng data ng kalusugan sa loob ng KVKK at ano ang ibig sabihin nito?
- A) Ordinaryong personal na data; malayang maproseso
- B) Hindi ito personal na data; walang restriction
- C) Mga espesyal na kategorya ng personal na data; Pinoproseso nang may mas mahigpit na kondisyon at proteksyon ✔
- D) Trade secret lamang; walang privacy na kailangan
Paliwanag: Ang data ng kalusugan ay itinuturing na 'espesyal na personal na data' sa KVKK; Bilang isang tuntunin, ang pagpoproseso ay nakasalalay sa tahasang pahintulot o mga pagbubukod na itinakda ng batas at nangangailangan ng mas matinding mga hakbang sa proteksyon. Samakatuwid, ang data ng pasyente ay hindi maaaring ipasok sa hindi nakokontrol na mga tool; Ang anonymization, paghihigpit sa pag-access at mga kasunduan sa pagproseso ng data ay sapilitan.
11. Ano ang ibig sabihin ng 'calibration' sa isang klinikal na modelo ng AI at bakit ito mahalaga?
- A) Gaano kabilis tumakbo ang modelo
- B) Ilang parameter mayroon ang modelo?
- C) Kulay ng interface ng modelo
- D) Pagkatugma ng mga probabilidad na ibinigay ng modelo sa aktwal na mga frequency ng kaganapan ✔
Paliwanag: Ang pag-calibrate ay ang pag-akma ng mga probabilidad na ibinigay ng modelo sa aktwal na mga frequency: ang kaganapan ay dapat na aktwal na mangyari sa humigit-kumulang 20% ng mga pasyente kung kanino sinasabing '20% na panganib'. Dahil ang mga pagpapasya sa klinika ay ginawa batay sa mga limitasyon ng posibilidad, ang isang hindi maayos na pagkaka-calibrate na modelo ay hahantong sa mga maling desisyon sa threshold kahit na ito ay nasa tamang ranggo; samakatuwid, ang pagkakalibrate at pati na rin ang diskriminasyon (AUC) ay dapat ma-verify.
12. Bakit dapat hiwalay na suriin ang 'pagganap ng subgroup' sa mga modelo ng larawan, signal o klinikal na data?
- A) Ang kabuuang katumpakan lamang ay palaging sapat
- B) Dahil ang mga subgroup ay nakakaapekto sa bilis ng modelo
- C) Maaaring itago ng generic na sukatan ang hindi magandang pagganap at bias sa mga partikular na pangkat ng pasyente ✔
- D) Ang pagsusuri sa subgroup ay kailangan lamang para sa marketing
Paliwanag: Bagama't maaaring maganda ang hitsura ng isang modelo sa karaniwan, maaari itong gumanap nang mas malala sa ilang partikular na subgroup (edad, kasarian, kulay ng balat, uri ng device, ospital); Itinatago ng pangkalahatang sukatan ang hindi pagkakapantay-pantay na ito. Sa pangangalagang pangkalusugan, humahantong ito sa sistematikong pinsala sa ilang grupo ng pasyente; Samakatuwid, ang pagganap ay dapat na hatiin sa mga subgroup at iulat para sa pagiging patas.
13. Ano ang pinakamahusay na diskarte laban sa panganib ng 're-identification' kapag nagtatrabaho sa data ng pasyente?
- A) Ang pagtanggal lamang ng pangalan ay sapat na sa lahat ng pagkakataon.
- B) I-generalize ang mga indirect identifier gayundin ang direct identifier at higpitan ang access ✔
- C) Kung ang data ay kabilang sa isang maliit na bilang ng mga tao, walang pag-iingat ang kinakailangan
- D) Pagpapalit lang ng pangalan ng file sa halip na pag-encrypt
Paglalarawan: Kahit na ang data na tinanggal sa pangalan ay maaaring muling tukuyin gamit ang mga bihirang kumbinasyon ng diagnosis, petsa ng kapanganakan, zip code at petsa. Kaya't hindi sapat na kunin lamang ang mga direktang identifier; Ang mga diskarte gaya ng pagbabago ng petsa, generalization, k-anonymity at access control ay dapat ilapat nang magkasama, at dapat ding linisin ang sensitibong libreng text.
14. Ano ang pangunahing dahilan sa pagpapanatili ng end-to-end na 'human-in-the-loop' na kontrol sa biomedical AI workflow?
- A) Ang kontrol ng tao ay lumilikha lamang ng kabagalan at dapat na alisin
- B) Kung mataas ang marka ng kumpiyansa ng modelo, hindi kailangan ang pagpapatunay ng tao
- C) Walang praktikal na dahilan maliban sa legal na obligasyon
- D) Ang AI ay napapailalim sa bias at error; Ang mga desisyon at responsibilidad sa kaligtasan ng pasyente ay dapat manatili sa kwalipikadong espesyalista ✔
Paglalarawan: Ang artificial intelligence ay bumubuo, binibigyang-priyoridad at nag-draft ng mga hypotheses; ngunit ang mga pattern na natutunan nito mula sa data ay maaaring hindi kumpleto, bias, o wala sa konteksto. Kinakailangan na ang mga desisyon tungkol sa kaligtasan ng pasyente ay manatiling may pag-apruba ng awtorisadong manggagamot at inhinyero, kapwa upang mahuli ang mga pagkakamali at panatilihin ang responsibilidad sa tamang lugar; Hindi pinapalitan ng AI ang pag-apruba na ito sa anumang yugto.