2026年(公需科目)人工智能与健康考试题库试题及答案

[2026年(公需科目)人工智能与健康考试题库试题及答案一、单项选择题（共30题，每题1.5分）1.人工智能（AI）在医疗健康领域的应用中，能够通过分析医学影像辅助医生诊断的技术主要基于以下哪种核心方法？A.专家系统B.图像识别与深度学习C.知识图谱D.自然语言处理【答案】B【解析】在医学影像分析中，深度学习技术，特别是卷积神经网络（CNN），在图像识别、分类和病灶检测方面表现卓越，是目前AI辅助诊断的核心技术。2.1956年，哪几位学者在达特茅斯会议上首次提出了“人工智能”这一术语，标志着人工智能学科的诞生？A.阿兰·图灵和冯·诺依曼B.约翰·麦卡锡、马文·明斯基、克劳德·香农和纳撒尼尔·罗彻斯特C.杰弗里·辛顿、杨立昆和约书亚·本吉奥D.弗朗西斯·克里克和詹姆斯·沃森【答案】B【解析】1956年的达特茅斯会议被公认为人工智能历史的起点，约翰·麦卡锡等人首次提出了“人工智能”概念。3.在机器学习算法中，若训练数据过少或模型过于复杂，导致模型在训练集上表现极好，但在测试集上表现很差，这种现象被称为？A.欠拟合B.过拟合C.梯度消失D.梯度爆炸【答案】B【解析】过拟合是指模型过度学习了训练数据中的噪声和细节，导致模型的泛化能力降低，无法适应新的测试数据。4.AlphaFold是DeepMind公司开发的AI系统，它在生物医学领域取得了突破性进展，主要解决了什么问题？A.医学影像自动分割B.蛋白质结构预测C.电子病历自动生成D.药物副作用预测【答案】B【解析】AlphaFold2在CASP14竞赛中表现出色，能够高精度地预测蛋白质的三维结构，解决了生物学界50年的难题，对药物研发和疾病理解具有重大意义。5.在医疗大数据的特征中，“4V”特征不包括以下哪一项？A.Volume（大量）B.Velocity（高速）C.Value（低价值密度）D.Validity（合法性）【答案】D【解析】大数据的典型特征通常被描述为4V：Volume（数据量大）、Velocity（处理速度快）、Variety（数据类型繁多）、Value（价值密度低，但商业价值高）。Validity（合法性）虽然重要，但不属于经典的4V特征范畴。6.以下哪种技术属于“生成式人工智能”在医疗领域的典型应用？A.使用CNN识别肺结节B.使用逻辑回归预测糖尿病风险C.使用Transformer模型生成病历摘要D.使用K-means聚类进行患者分群【答案】C【解析】生成式人工智能（GenerativeAI）能够创造新的内容。基于Transformer架构的大语言模型可以自动生成病历摘要、报告或甚至辅助手术路径规划，而A、B、D均属于判别式任务。7.DICOM标准主要用于医学影像数据的存储和传输，其全称是？A.DigitalImagingandCommunicationsinMedicineB.DataIntegrationandCommunicationinMedicineC.DigitalImageandComputerinMedicineD.DirectImagingandCalculationinMedicine【答案】A【解析】DICOM是医学数字成像和通信标准，定义了医学影像及其相关信息的格式和网络传输协议。8.在AI辅助药物研发中，利用算法预测小分子药物与生物大分子靶点之间的结合能力，这一过程称为？A.药物临床试验设计B.分子对接C.药物代谢动力学分析D.药物毒理学筛查【答案】B【解析】分子对接是研究分子（如药物小分子）与受体（如蛋白质靶点）之间相互作用，并预测其结合模式和亲和力的关键方法。9.关于“联邦学习”在医疗数据中的应用，以下描述正确的是？A.所有医院的原始数据必须上传到中央服务器进行训练B.模型在本地训练，仅交换加密的模型参数，不交换原始数据C.联邦学习不需要任何数据，完全依靠算法生成D.联邦学习会导致数据隐私泄露风险比集中式学习更高【答案】B【解析】联邦学习是一种分布式机器学习技术，旨在保护数据隐私。各参与方（如医院）利用本地数据训练模型，仅将模型参数或梯度上传至中央服务器进行聚合，原始数据不出本地。10.智慧医院建设中，HIS系统是指？A.医学影像存档与通讯系统B.实验室信息系统C.医院信息系统D.电子病历系统【答案】C【解析】HIS（HospitalInformationSystem）是医院信息系统，管理医院的人、财、物等信息；PACS对应影像，LIS对应检验，EMR对应电子病历。11.评估二分类AI诊断模型性能时，公式TPA.准确率B.精确率C.召回率（灵敏度）D.特异度【答案】C【解析】该公式计算的是召回率，也称为灵敏度或真阳性率（TPR），表示在所有实际为正例的样本中，被正确预测为正例的比例。12.在自然语言处理（NLP）技术中，BERT模型的架构基础是？A.循环神经网络(RNN)B.卷积神经网络(CNN)C.Transformer编码器D.生成对抗网络(GAN)【答案】C【解析】BERT（BidirectionalEncoderRepresentationsfromTransformers）是基于Transformer的Encoder部分进行预训练的语言模型，能够捕捉上下文的双向信息。13.人工智能在眼科疾病筛查中，应用较为成熟的是针对哪种疾病的视网膜图像识别？A.青光眼B.糖尿病视网膜病变C.白内障D.黄斑变性【答案】B【解析】虽然AI在多种眼科疾病中均有研究，但在糖尿病视网膜病变（DR）的自动筛查方面，已有多个产品获得FDA批准，应用最为成熟。14.伦理原则中，要求AI医疗系统的决策过程是透明且可被人类理解的，这被称为？A.公平性B.隐私性C.可解释性D.鲁棒性【答案】C【解析】可解释性是指AI模型不仅要给出结果，还要能提供人类可以理解的逻辑或依据，这对于医疗领域建立医生和患者的信任至关重要。15.下列哪项不是人工智能在慢病管理中的应用场景？A.智能可穿戴设备监测心率B.基于历史数据预测血糖波动C.个性化健康生活方式推荐D.手术机器人的实时操作【答案】D【解析】手术机器人属于手术辅助领域，而非慢病管理。A、B、C均属于慢病（如高血压、糖尿病）的长期监测与管理范畴。16.深度学习中的“卷积操作”主要用于提取数据的哪种特征？A.时间序列特征B.空间特征C.统计分布特征D.语义关联特征【答案】B【解析】卷积操作通过卷积核在输入数据上滑动，有效提取图像等数据中的局部空间特征，如边缘、纹理等。17.为了解决医疗数据标注困难的问题，利用大量未标注数据进行预训练，再用少量标注数据进行微调的学习范式称为？A.监督学习B.无监督学习C.半监督学习/迁移学习D.强化学习【答案】C【解析】这种范式结合了无监督预训练和监督微调，常被称为迁移学习或自监督学习，有效缓解了医疗领域标注样本稀缺的问题。18.IBMWatsonforOncology是早期知名的AI医疗系统，它主要依赖哪种技术提供诊疗建议？A.深度学习图像分析B.基于知识图谱的自然语言处理C.强化学习D.遗传算法【答案】B【解析】IBMWatson主要通过自然语言处理技术分析医学文献和指南，构建庞大的知识库，并基于此为医生提供循证医学的诊疗建议。19.在AI辅助诊断的注册审批中，中国药监局（NMPA）将此类医疗器械通常划分为？A.第一类医疗器械B.第二类医疗器械C.第三类医疗器械D.非医疗器械【答案】C【解析】AI辅助诊断软件通常属于高风险医疗器械，因为其诊断结果直接影响患者的治疗决策，因此大多按第三类医疗器械进行管理。20.现代手术机器人（如达芬奇手术系统）的核心优势不包括？A.消除医生手部颤抖B.提供高清3D视野C.完全自主完成手术，无需医生干预D.实现微创手术的精细化操作【答案】C【解析】目前的手术机器人主要是“主从”模式，由医生操作控制台，机器人执行动作，尚不具备完全自主手术的能力。21.在构建医疗预测模型时，将数据集划分为训练集、验证集和测试集的主要目的是？A.增加数据的多样性B.防止数据泄露，客观评估模型泛化能力C.提高模型的运算速度D.减少存储空间的占用【答案】B【解析】数据集划分是为了在训练过程中调整参数（验证集），并在最后使用未见过的数据（测试集）来客观评估模型的性能，防止模型过拟合导致评估虚高。22.以下哪项技术是实现“精准医疗”的重要支撑手段？A.基因测序结合生物信息学分析B.广谱抗生素的大量使用C.传统中医的望闻问切D.常规体格检查【答案】A【解析】精准医疗根据个体的基因特征、环境等因素定制治疗方案。基因测序结合AI分析是发现基因突变与疾病关联的关键技术。23.医疗数据中的“非结构化数据”主要包括？A.血压、心率数值B.实验室检验结果C.医生的查房记录、病程记录D.患者的人口学信息【答案】C【解析】A、B、D通常属于结构化数据，易于存储在数据库表格中；而文本形式的病程记录、影像等属于非结构化数据，处理难度较大。24.在强化学习中，智能体通过与环境交互，根据什么信号来调整策略？A.监督标签B.奖励或惩罚信号C.聚类中心D.损失函数梯度【答案】B【解析】强化学习的核心机制是“试错”，智能体根据环境反馈的奖励（正向反馈）或惩罚（负向反馈）来优化其行为策略。25.目前，AI在心理健康领域的应用主要侧重于？A.直接进行脑部手术B.通过语音、文本和面部表情识别抑郁、焦虑等情绪障碍C.替代心理医生进行心理咨询D.开发新型精神类药物【答案】B【解析】AI通过多模态数据（语音语调、用词习惯、微表情）分析，辅助识别心理健康状态，为医生提供参考，而非直接替代医生。26.针对新冠疫情，AI在公共卫生领域的应用不包括？A.病毒基因变异追踪B.传播路径预测与密切接触者排查C.医疗物资的智能调度D.直接杀灭空气中的病毒【答案】D【解析】AI主要应用于数据处理、预测分析和资源调度。直接杀灭病毒属于物理或化学消毒手段，不属于AI范畴。27.下列关于“电子病历”与“健康档案”的区别，说法错误的是？A.电子病历主要源于医疗机构诊疗过程B.健康档案涵盖个人全生命周期的健康信息C.电子病历的数据内容比健康档案更宽泛D.健康档案可包含居家自测数据【答案】C【解析】健康档案（PHR）通常比电子病历（EMR）范围更广，它不仅包含医疗机构的诊疗记录，还包含预防保健、康复、居家自测等全生命周期数据。28.在神经网络中，引入“Dropout”技术的主要作用是？A.加速模型收敛B.增加模型参数C.防止过拟合D.提取特征【答案】C【解析】Dropout在训练过程中随机将部分神经元的输出置为0，这相当于训练了多个子网络的集成，从而有效抑制过拟合。29.AI辅助病理诊断中，全切片图像（WSI）的数据量通常非常大，处理时常用的技术策略是？A.直接将整张图输入神经网络B.图像压缩至极低分辨率C.多尺度滑动窗口裁剪与特征聚合D.仅人工选取感兴趣区域【答案】C【解析】WSI高达GB级别，无法一次性输入。通常采用滑动窗口将大图切成小块patch分别提取特征，再通过聚合算法得到整张图的诊断结果。30.人工智能在中医领域的创新应用主要尝试？A.替代中医师进行脉诊B.基于大数据挖掘中医证候规律和辅助开方C.废除中药材的种植D.自动煎药设备的控制算法【答案】B【解析】AI在中医领域的应用侧重于知识发现，如利用数据挖掘分析症状与证候的关联，或基于名老中医经验库辅助推荐方剂。二、多项选择题（共15题，每题3分。多选、少选、错选均不得分）1.人工智能在医疗健康领域面临的主要伦理挑战包括哪些？A.算法的偏见与歧视B.数据隐私与安全问题C.责任主体界定不清（如误诊谁负责）D.“黑盒”模型缺乏可解释性【答案】ABCD【解析】AI伦理涉及公平性（避免偏见）、隐私保护、责任归属（医生、AI厂商、医院）、透明度（可解释性）等多个维度。2.以下哪些属于深度学习在医学影像分析中的典型任务？A.图像分类（判断有无病灶）B.目标检测（定位病灶位置）C.图像分割（勾画病灶轮廓）D.图像配准（对齐不同模态影像）【答案】ABCD【解析】深度学习在医学影像中应用广泛，包括分类、检测、分割以及配准等任务，贯穿诊断全过程。3.医疗大数据的来源主要包括？A.电子病历（EMR）B.医学影像（PACS）C.可穿戴设备及移动医疗应用D.基因组学数据E.社交媒体健康数据【答案】ABCDE【解析】医疗大数据来源多样，涵盖临床数据、影像数据、生命体征监测数据、分子生物学数据以及患者产生的社会数据等。4.监督学习算法在医疗预测中的应用场景有？A.预测患者未来三年内发生心血管疾病的风险B.根据基因突变预测肿瘤亚型C.对未标注的X光片进行聚类分析D.判断一封邮件是否为垃圾邮件（非医疗场景）【答案】AB【解析】监督学习需要带有标签的数据。A和B均有明确的预测目标（标签）。C属于无监督学习（聚类），D非医疗场景。5.构建高质量医疗AI模型的关键步骤包括？A.数据清洗与预处理B.高质量的数据标注C.特征工程或自动特征提取D.模型的选择与训练E.严格的临床验证与测试【答案】ABCDE【解析】AI模型开发全生命周期包括数据准备（清洗、标注）、特征处理、模型构建、训练调优以及最后的验证测试，缺一不可。6.以下哪些技术有助于保护医疗患者隐私？A.数据脱敏B.差分隐私C.联邦学习D.同态加密【答案】ABCD【解析】数据脱敏去除标识符；差分隐私在统计结果中加入噪声；联邦学习不交换原始数据；同态加密允许在密文上计算。这些均为隐私保护技术。7.智能语音技术在医院场景中可以应用于？A.电子病历语音录入B.智能导诊机器人语音交互C.医患对话自动质控D.辅助听障患者沟通【答案】ABCD【解析】语音识别（ASR）和语音合成（TTS）技术可应用于提高医生录入效率、导诊服务、合规检查以及辅助特殊人群沟通。8.关于AI在肿瘤放疗中的应用，以下说法正确的有？A.自动勾画靶区（GTV/CTV/PTV）B.逆向制定放疗计划C.实时追踪肿瘤位置D.完全替代放疗物理师【答案】ABC【解析】AI在放疗中主要用于靶区勾画、计划设计优化以及图像引导放疗（IGRT）中的位置追踪，目前主要起辅助作用，不能完全替代物理师。9.常见的医疗AI专用芯片或计算硬件架构包括？A.GPU（图形处理器）B.FPGA（现场可编程门阵列）C.ASIC（专用集成电路，如TPU）D.CPU（中央处理器）【答案】ABC【解析】虽然CPU可以运行AI算法，但针对深度学习的高并发计算需求，GPU、FPGA和ASIC（如TPU、NPU）是更高效的专用硬件。10.下列哪些指标常用于评估AI分类模型的性能？A.ROC曲线和AUC值B.混淆矩阵C.F1-ScoreD.均方误差（MSE）【答案】ABC【解析】ROC/AUC、混淆矩阵、F1-Score均用于分类任务评估。MSE主要用于回归任务（预测连续数值）。11.AI在药物研发流程中可以发挥作用的有？A.靶点发现与验证B.先导化合物筛选与优化C.临床试验患者招募D.药物晶型预测【答案】ABCD【解析】AI贯穿药物研发全流程：从早期的靶点研究、化合物筛选，到临床试验的设计与管理，以及药物制剂研究（如晶型预测）。12.造成医疗AI模型“偏见”的主要原因包括？A.训练数据样本量不足B.训练数据人群分布不均（如特定种族、性别数据占主导）C.算法设计缺陷D.医院的硬件设备差异【答案】ABC【解析】模型偏见主要源于数据偏差（样本量、分布不均）或算法偏差。硬件设备差异通常影响推理速度或兼容性，而非逻辑偏见。13.“互联网+医疗健康”服务模式中，AI可以赋能的环节有？A.线上智能问诊与分诊B.处方流转与审核C.药品配送路径优化D.慢病随访管理【答案】ABCD【解析】AI在互联网医疗中可提升全流程效率，包括问诊、处方合规检查、物流优化以及自动化的患者随访。14.面对医疗AI的误诊风险，目前的监管策略倾向于？A.将AI定位为辅助诊断系统，而非最终决策者B.要求医生必须对AI结果进行复核C.禁止使用高风险AI技术D.建立全生命周期的质量管理体系【答案】ABD【解析】监管机构强调AI的辅助属性，坚持“人机协同”，要求医生把关，并建立严格的质量管理体系，而非一味禁止技术。15.以下属于“可解释人工智能（XAI）”在医疗中的实现方法有？A.生成热力图，高亮显示图像中模型关注的区域B.列出影响决策的关键特征及其权重C.提供相似病例的检索结果作为参考D.仅输出最终诊断概率【答案】ABC【解析】热力图（如Grad-CAM）、特征重要性排序、基于案例的解释都是XAI的具体方法。仅输出概率不具备可解释性。三、判断题（共20题，每题1分）1.深度学习模型不需要人工进行特征提取，能够自动从原始数据中学习特征。【答案】正确【解析】这是深度学习相对于传统机器学习的一大优势，具备端到端的学习能力。2.只要数据量足够大，人工智能模型的预测准确率就能达到100%。【答案】错误【解析】医学数据存在个体差异和随机性，且模型本身存在泛化误差，不可能达到100%的准确率。3.医疗影像AI诊断系统可以完全替代放射科医生的工作，因此医院不再需要招聘放射科医生。【答案】错误【解析】目前AI主要承担初筛和辅助工作，医生负责最终审核和复杂病例的综合判断，AI无法替代医生的人文关怀和综合临床思维。4.所有的人工智能算法都需要依赖海量数据进行训练。【答案】错误【解析】除了大数据驱动的方法，还有基于知识库和规则的小数据/符号主义AI方法。5.联邦学习能够从根本上解决医疗数据孤岛问题，且不违反数据隐私法规。【答案】正确【解析】联邦学习通过“数据不动模型动”的方式，在不共享原始数据的前提下联合建模，是解决数据孤岛和隐私保护的有效手段。6.在医学检验中，AI可以用于血常规、尿常规等项目的自动镜检和分类计数。【答案】正确【解析】AI视觉技术已广泛应用于血液细胞、尿液有形成分的形态学识别和计数。7.人工智能在手术中的应用仅限于达芬奇这一种机器人系统。【答案】错误【解析】除了达芬奇，还有骨科手术机器人（如天玑）、神经外科手术机器人等多种专用系统。8.因为AI是客观的算法，所以其决策结果天然不存在性别或种族歧视。【答案】错误【解析】如果训练数据中存在历史偏见（如某种族数据缺失或标注不公），AI会习得并放大这种偏见。9.基因编辑技术（如CRISPR）属于人工智能技术的一个分支。【答案】错误【解析】基因编辑属于生物技术范畴，虽然AI可以辅助预测基因编辑的效果，但两者是不同的学科领域。10.电子病历中的结构化数据比非结构化数据更容易用于直接的数据挖掘和统计分析。【答案】正确【解析】结构化数据（如数值、代码）无需复杂的自然语言处理即可直接计算，处理难度远低于文本。11.神经网络的“深度”指的是隐藏层的数量。【答案】正确【解析】深度学习中的“深度”即指神经网络中隐藏层的层数，层数越多表示网络越深。12.医疗AI产品的临床试验必须遵循随机对照试验（RCT）的原则。【答案】正确【解析】为了科学验证AI产品的有效性和安全性，严格的临床试验（通常为RCT）是注册审批前的必要环节。13.强化学习中的“探索”与“利用”权衡问题在医疗决策中非常重要，因为错误的决策可能危及患者安全。【答案】正确【解析】在医疗模拟环境中，智能体需要在尝试新策略（探索）和利用已知好策略（利用）之间平衡，直接在患者身上盲目探索风险极高。14.人工智能可以通过分析社交媒体数据来预测传染病的爆发趋势。【答案】正确【解析】例如，通过分析关于流感症状的搜索量或推文数量，可以比疾控中心报告更早地发现疫情爆发苗头。15.目前市面上成熟的AI医疗产品主要针对单一病种，而不是全能型的全科医生AI。【答案】正确【解析】受限于技术成熟度和数据获取，目前产品多为“单点突破”，如专门看肺结节、眼底病或糖尿病的AI。16.过拟合意味着模型在训练集上的误差很高。【答案】错误【解析】过拟合意味着模型在训练集上误差极低（甚至为0），但在测试集上误差很高。17.数据增强是扩充医疗影像数据集的有效手段，例如对图像进行旋转、裁剪、加噪。【答案】正确【解析】数据增强通过变换生成新的样本，有助于提高模型的泛化能力，缓解医疗数据不足的问题。18.智能健康管理是指仅在医院内部进行的疾病管理活动。【答案】错误【解析】智能健康管理侧重于院外，包括居家监测、生活方式干预等全生命周期管理。19.医疗AI算法的开发者必须具备执业医师资格证。【答案】错误【解析】开发者通常是计算机科学家或工程师，不要求具备医师资格，但产品开发过程需要临床专家深度参与。20.5G技术与AI的结合将推动远程手术和远程实时会诊的发展。【答案】正确【解析】5G的高带宽、低延迟特性使得高清影像实时传输和机器人远程精准操控成为可能，为AI赋能远程医疗提供网络基础。四、填空题（共10题，每题2分）1.在机器学习中，我们将数据集分为训练集和测试集，其中测试集的作用是评估模型的________能力。【答案】泛化2.卷积神经网络（CNN）中一种特殊的层结构，用于降低特征图维度、减少计算量和防止过拟合，被称为________层。【答案】池化或Pooling3.著名的“图灵测试”是由________提出的，用于判断机器是否具有智能。【答案】阿兰·图灵或AlanTuring4.在医疗自然语言处理中，将非结构化文本中的实体（如疾病、药物、症状）识别出来的任务称为命名实体________。【答案】识别或Recognition5.循环神经网络（RNN）及其变体LSTM特别适合处理________数据。【答案】时间序列或序列6.AI在基因组学中的应用，主要是通过测序数据分析基因与________之间的关联。【答案】疾病或表型7.医疗数据的安全合规必须严格遵守相关法律法规，在中国主要指《网络安全法》、《数据安全法》和《________保护法》。【答案】个人信息8.在AI辅助诊断中，对于疑似新冠肺炎患者的CT影像分析，通常属于计算机视觉中的________任务。【答案】图像分类或检测9.通过分析患者的语音语调变化，AI可以辅助诊断帕金森病，因为该病患者常伴有________障碍。【答案】言语或发音10.人工智能在中药研发中，可以通过网络药理学方法预测药物的“________-成分-靶点”网络关系。【答案】药效或药物五、简答题（共5题，每题6分）1.简述人工智能在医疗健康领域应用的三个主要优势。【答案】（1）提高效率：AI能够快速处理海量数据（如影像、病历），自动化完成繁琐的重复性工作（如初筛、录入），显著提升医疗服务效率。（2）提升准确度与一致性：在特定任务（如影像病灶识别、心电图分析）上，AI不受疲劳、情绪等主观因素影响，能保持高水平的诊断一致性，甚至发现人眼难以察觉的细微变化。（3）实现个性化与精准化：AI能够整合患者的多维数据（基因、生活习惯、病史），构建精准预测模型，实现量身定制的治疗方案和健康管理。2.什么是医疗大数据的“互操作性”？为什么它对AI发展很重要？【答案】（1）定义：互操作性是指不同系统、设备或应用之间能够访问、交换、整合和协同使用数据的能力，且在使用过程中不丢失数据原本的含义。（2）重要性：对AI而言，数据是核心燃料。目前医疗数据多分散在不同厂商的异构系统中（信息孤岛）。具备互操作性意味着AI模型可以跨平台、跨机构获取更全面、标准化的数据，从而训练出更鲁棒、泛化能力更强的模型，避免因数据单一导致的偏差。3.简述“监督学习”与“无监督学习”的主要区别，并各举一个医疗应用实例。【答案】（1）主要区别：监督学习：使用带有标签（即已知正确答案）的数据进行训练，目标是学习输入到输出的映射函数。无监督学习：使用没有标签的数据进行训练，目标是发现数据内部的结构、模式或规律（如聚类、降维）。（2）实例：监督学习：利用标注了“良性/恶性”的乳腺X光片训练模型进行乳腺癌诊断。无监督学习：利用未标注的患者电子病历数据进行聚类，自动发现具有相似症状特征的潜在患者亚群。4.在医疗AI的落地应用中，为什么要强调“人机协同”而非“机器替代”？【答案】（1）技术局限性：当前AI多为弱人工智能，缺乏通用的逻辑推理能力和对复杂罕见病例的应对能力，且存在“黑盒”问题。（2）医疗特殊性：医疗决策不仅关乎生理指标，还涉及伦理、心理、社会因素及患者意愿，需要医生的人文关怀和综合判断。（3）责任与信任：发生医疗纠纷时，责任主体必须明确（医生）。人机协同模式中，AI提供辅助建议，医生行使最终决策权，既利用了AI的高效，又保障了医疗安全和患者的信任感。5.简述联邦学习在保护医疗数据隐私方面的基本工作原理。【答案】联邦学习是一种分布式机器学习框架。其基本原理是：（1）数据不动：各参与医院保留原始数据在本地，不对外传输。（2）模型下发：中央服务器将初始化的模型参数下发至各参与方。（3）本地训练：各医院利用本地数据在本地对模型进行训练，更新模型参数。（4）参数聚合：各医院将更新后的参数（或梯度）加密上传至中央服务器，服务器进行加权平均聚合，生成新的全局模型。（5）循环迭代：重复上述过程，直至模型收敛。全过程仅交换模