(2025年)医学信息学技术试题及答案

(2025年)医学信息学技术试题及答案一、单项选择题（每题2分，共20分）1.以下关于HL7FHIR（FastHealthcareInteroperabilityResources）的描述，错误的是：A.采用RESTfulAPI设计，支持实时数据交互B.数据模型基于资源（Resource），支持模块化扩展C.仅适用于结构化数据交换，无法处理非结构化文本D.通过JSON或XML格式实现跨系统语义互操作性2.医学影像归档与通信系统（PACS）中，DICOM（DigitalImagingandCommunicationsinMedicine）协议的核心作用是：A.压缩医学影像文件以减少存储占用B.定义医学影像及相关信息的存储、传输标准C.实现影像设备与电子病历系统的直接集成D.提供影像三维重建的算法支持3.电子健康记录（EHR）的核心功能不包括：A.患者全生命周期健康数据的整合管理B.支持跨机构的健康信息共享C.仅记录门诊或住院阶段的诊疗信息D.与临床决策支持系统（CDSS）的深度交互4.医学自然语言处理（NLP）在电子病历中的典型应用是：A.自动提供结构化的实验室检查报告B.计算患者住院费用的医保报销比例C.统计医院年度门诊量的变化趋势D.监控医疗设备的实时运行状态5.区块链技术在医疗数据共享中的主要优势是：A.降低数据存储的硬件成本B.通过分布式账本实现数据防篡改C.简化不同机构间的接口开发D.提升医学影像的传输速度6.医学数据去标识化（De-identification）的关键目的是：A.提高数据存储的压缩效率B.保护患者隐私，符合HIPAA或GDPR要求C.增强数据的结构化程度D.便于机器学习模型的特征提取7.以下不属于医学影像信息系统（PACS）功能模块的是：A.影像采集与预处理B.影像存储与备份C.药品库存管理D.影像调阅与后处理8.临床决策支持系统（CDSS）的核心组成不包括：A.医学知识库（如临床指南、药物相互作用库）B.患者数据接口（与EHR/HIS对接）C.医院财务结算模块D.推理引擎（如规则引擎或机器学习模型）9.生物信息学中，用于存储基因组测序数据的常见格式是：A.DICOMB.FASTQC.HL7v2D.PDF10.关于健康信息平台（HIP）的建设目标，错误的是：A.实现区域内医疗机构间的信息互联互通B.整合公共卫生、家庭医生等多源数据C.替代各机构原有的HIS、LIS系统D.支持卫生行政部门的监管与决策分析二、简答题（每题8分，共40分）1.简述电子健康记录（EHR）与电子病历（EMR）的核心区别。2.列举HL7FHIR相较于HL7v2的主要技术优势。3.医学影像信息系统（PACS）需要实现哪些关键功能？请至少列出5项。4.医学数据挖掘中，常用的分类算法有哪些？请举例说明其适用场景。5.健康信息平台建设需遵循哪些基本原则？请结合隐私保护与数据安全要求展开说明。三、案例分析题（每题20分，共40分）案例1：某三甲医院计划将新采购的病理科数字切片扫描系统（WSI）与现有PACS、HIS系统集成。已知WSI提供的数字切片格式为SVS（Aperio扫描格式），而PACS主要支持DICOM格式。请回答以下问题：（1）为实现WSI与PACS的影像数据互通，需解决哪些关键技术问题？（2）若需将病理报告（非结构化文本）与影像数据关联，可采用哪些医学NLP技术？案例2：某社区卫生服务中心拟基于居民电子健康档案（包含高血压、糖尿病等慢性病随访记录）构建“慢性病急性事件风险预测模型”。假设已收集到5年的历史数据（包括患者基本信息、生理指标、用药记录、生活方式数据），请设计模型构建的主要步骤，并说明每一步的关键任务。答案一、单项选择题1.C（FHIR支持非结构化数据，如通过Attachment资源嵌入文本或文档）2.B（DICOM核心是定义影像及相关信息的存储、传输标准）3.C（EHR覆盖全生命周期，EMR侧重诊疗阶段）4.A（NLP可从自由文本中提取结构化信息）5.B（区块链通过分布式账本保证数据不可篡改）6.B（去标识化核心是保护隐私，符合法规）7.C（药品管理属于HIS或LIS功能）8.C（财务模块与CDSS无关）9.B（FASTQ是测序数据常见格式）10.C（健康信息平台不替代原有系统，而是整合）二、简答题1.核心区别：-范围：EMR（电子病历）聚焦患者在医疗机构内的诊疗过程（如门诊、住院记录）；EHR（电子健康记录）覆盖全生命周期健康数据，包括体检、公共卫生、家庭医生随访等。-目标：EMR主要服务于临床诊疗流程；EHR支持跨机构信息共享与全健康管理（如慢性病管理、流行病学研究）。-数据来源：EMR数据主要来自医疗机构内部系统；EHR整合医院、社区、疾控、体检机构等多源数据。2.HL7FHIR的技术优势：-互操作性更强：基于RESTfulAPI，支持实时数据查询（GET）、创建（POST）、更新（PUT），适合现代Web应用集成。-数据模型灵活：采用资源（Resource）模块化设计（如Patient、Observation），支持扩展（Extension），适应不同医疗场景需求。-语义标准化：通过术语系统（如SNOMEDCT、LOINC）绑定，提升数据语义一致性。-格式轻量化：支持JSON（更简洁）和XML，降低传输与解析成本，适合移动设备与云平台。3.PACS关键功能：（1）影像采集：接收DICOM设备（CT、MRI等）的影像数据，支持非DICOM格式转换（如WSI转DICOM）。（2）存储管理：采用海量存储架构（如分布式存储、对象存储），支持在线、近线、离线三级存储策略。（3）传输交换：通过DICOMDIMSE协议实现影像在设备、PACS、诊断工作站间的传输，支持HL7FHIR实现与EHR的关联。（4）影像显示与后处理：提供多平面重组（MPR）、三维重建（3DReconstruction）、影像测量等功能。（5）质量控制：监控影像采集质量（如伪影检测），记录设备性能参数（如CT剂量指数）。4.常用分类算法及场景：-逻辑回归（LogisticRegression）：适用于特征线性可分、需要快速训练的场景（如预测住院患者30天再入院风险）。-决策树（DecisionTree）：可解释性强，适合规则明确的简单分类（如根据年龄、血糖值判断糖尿病风险等级）。-随机森林（RandomForest）：抗过拟合能力强，适用于高维数据（如基于多组学数据的癌症分型）。-支持向量机（SVM）：在小样本高维数据中表现优异（如基于基因表达谱的肿瘤分类）。-神经网络（如MLP）：适合复杂非线性关系（如医学影像的病灶识别）。5.健康信息平台建设原则：-标准化原则：采用HL7FHIR、DICOM等国际标准，确保跨系统数据语义一致；统一编码（如ICD-10、SNOMEDCT）。-安全性原则：通过加密传输（HTTPS/TLS）、访问控制（RBAC角色权限）、脱敏处理（去标识化+加密）保护患者隐私，符合GDPR/HIPAA要求。-可扩展性原则：采用微服务架构，支持模块按需扩展（如新增家庭医生签约数据接口）；支持云原生部署，适应数据量增长。-用户中心原则：针对医生、患者、管理者设计不同功能界面（如医生侧重诊疗数据调阅，患者侧重健康报告查询）。三、案例分析题案例1解答：（1）关键技术问题：①格式转换：将SVS格式的数字切片转换为DICOM格式（需开发DICOM化工具，或调用第三方库如DCMTK），确保元数据（如患者ID、检查时间）完整映射。②元数据关联：在DICOM文件中嵌入病理检查相关元数据（如切片编号、染色方法），并与HIS中的病理检查申请单（HL7FHIR的ServiceRequest资源）关联。③存储与访问：PACS需支持大尺寸病理切片存储（单张切片可达GB级），可能需要升级存储架构（如采用对象存储）；诊断工作站需支持高分辨率影像的流畅浏览（如使用WebGL或OpenSlide库）。④接口开发：通过DICOMQ/R（Query/Retrieve）服务实现PACS对WSI影像的查询与调阅，同时通过HL7FHIRAPI实现与HIS的检查状态同步（如“已完成扫描”状态推送）。（2）病理报告与影像关联的NLP技术：①命名实体识别（NER）：提取报告中的关键实体（如“鳞癌”“分化程度”），使用预训练医学BERT模型（如PubMedBERT）提升识别准确率。②关系抽取：识别实体间关系（如“肿瘤大小（5cm×4cm）”关联到“病变位置（左肺上叶）”），构建结构化的病理诊断知识图谱。③标准化术语映射：将报告中的非标准术语（如“Ca”）映射到SNOMEDCT标准概念，确保与影像元数据的语义一致。④文本摘要提供：自动提供病理报告的结构化摘要（如“诊断结果”“关键发现”），并通过FHIR的Observation资源与DICOM影像的Study/Series实例关联，实现“影像-报告”一体化调阅。案例2模型构建步骤：1.数据清洗与预处理（关键任务）：-缺失值处理：对生理指标（如血压）的缺失值，采用时间序列插值（如前向填充）或基于患者群体的均值填补；对用药记录缺失（如未记录具体剂量），标记为“未知”或剔除异常样本。-数据标准化：对连续变量（如BMI、糖化血红蛋白）进行Z-score标准化；对分类变量（如吸烟状态）进行独热编码（One-HotEncoding）。-时间窗口定义：以“事件发生前1年”为特征提取窗口（如预测2023年急性事件，提取2022年的随访数据），避免数据泄漏。2.特征工程（关键任务）：-静态特征：患者年龄、性别、基础疾病史（如合并冠心病）。-动态特征：生理指标的变化趋势（如近3次血压的平均值、标准差）、用药依从性（如3个月内漏服次数）。-外部特征：整合区域环境数据（如空气污染指数）、生活方式数据（如可穿戴设备记录的每日步数）。-特征选择：通过卡方检验（分类变量）、随机森林特征重要性（连续变量）筛选关键特征（如糖化血红蛋白波动、β受体阻滞剂使用情况）。3.模型选择与训练（关键任务）：-模型对比：选择LSTM（处理时间序列数据）、XGBoost（处理结构化表格数据）、LightGBM（高效处理高维数据）进行对比。-训练策略：采用5折交叉验证，按时间划分训练集（2018-2021年）与测试集（2022年），避免时间相关性导致的过拟合。-类别不平衡处理：通过SMOTE算法提供少数类样本（急性事件患者），或调整模型损失函数（如加权交叉熵）。4.模型评估与优化（关键任务）：-评估指标：使用AUC-ROC（综合判断模型区分能力）、F1-score（平衡精确率与召回率）、校准曲线（评估概率预测准确性）。-优化方向：若模型对“高危患者”召回率低，调整分类阈值（如将阈值