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（本大题共20小题，每小题1分，共20分。在每小题给出的四个选项中，只有一项是符合题目要求的）1.在人工智能医疗应用中，通过分析大量电子病历数据来预测患者未来患某种慢性病的风险，这主要属于机器学习中的哪类任务？A.分类任务B.回归任务C.聚类任务D.降维任务2.深度学习在医学影像分析中表现卓越，特别是处理CT和MRI图像时，最常用的神经网络架构是？A.循环神经网络(RNN)B.卷积神经网络(CNN)C.生成对抗网络(GAN)D.长短期记忆网络(LSTM)3.AlphaFold系统在生物医学领域取得了突破性进展，其主要解决了什么问题？A.药物分子筛选B.基因序列拼接C.蛋白质结构预测D.医学影像分割4.在医疗大数据的特征中，"V"代表Volume（大量），"V"代表Variety（多样），"V"代表Velocity（高速），还有一个重要的特征"V"代表Veracity，其含义是？A.价值性B.真实性/准确性C.易变性D.可视化5.关于自然语言处理（NLP）在医疗健康中的应用，下列哪项不属于其主要应用范畴？A.电子病历结构化提取B.医学文献自动摘要C.基于基因序列的突变检测D.智能导诊机器人6.在评估医学诊断AI模型的性能时，如果要求模型“不漏掉任何真正患病的人”，应优先优化以下哪个指标？A.特异度B.精确率C.灵敏度/召回率D.准确率7.联邦学习是一种隐私保护机器学习技术，其核心思想是？A.将所有医院数据集中到一个中心服务器训练B.数据保留在本地，仅交换模型参数或梯度C.使用合成数据替代真实数据进行训练D.在公共区块链上公开所有医疗数据8.2025-2026年间，大语言模型（LLM）在医疗领域的应用日益深入，下列关于医疗大模型的描述，错误的是？A.可以辅助医生生成出院小结B.能够根据患者描述提供初步的鉴别诊断建议C.完全替代医生进行最终的医疗决策D.需要进行严格的指令微调和人类反馈强化学习（RLHF）9.在可穿戴设备与物联网医疗中，通过连续监测心率变异性（HRV）来评估用户的压力水平和睡眠质量，这属于？A.预防性医疗B.康复医疗C.急救医疗D.临终关怀10.人工智能辅助药物研发中，利用AI预测小分子药物与靶标蛋白的结合亲和力，这主要应用了？A.计算机视觉技术B.分子对接与虚拟筛选C.语音识别技术D.知识图谱技术11.医疗AI系统在临床应用中面临“黑箱”问题，即模型决策过程难以解释。为了解决这一问题，研究者开发了多种可解释性AI（XAI）技术，下列哪项不是XAI的方法？A.SHAP值分析B.LIME局部解释C.梯度加权类激活映射D.随机参数初始化12.关于数据增强在医学影像处理中的作用，下列说法正确的是？A.增加数据存储成本，降低模型训练速度B.通过旋转、翻转、加噪等操作扩充数据集，防止过拟合C.仅适用于深度学习模型的测试阶段D.会降低模型的泛化能力13.在公共卫生领域，AI被用于预测传染病的爆发趋势。这通常依赖于？A.仅凭单一医院的临床数据B.结合社交媒体数据、出行数据及历史疫情数据的时空预测模型C.仅依靠专家经验D.纯粹的统计学随机模型14.医疗机器人是AI的重要应用载体，其中达芬奇手术系统主要属于？A.完全自主手术机器人B.主从式微创手术辅助系统C.康复训练机器人D.纳米机器人15.伦理问题是医疗AI发展的关键阻碍，关于算法偏见的描述，下列哪项是不正确的？A.偏见可能来源于训练数据本身的人群分布不均B.算法偏见可能导致某些种族或性别的患者获得次优的诊疗建议C.只要在算法层面去除敏感特征（如性别、种族），就能完全消除偏见D.需要在数据收集、模型训练及部署评估的全流程中进行公平性审计16.在脑机接口（BCI）技术中，AI算法的主要任务是？A.控制外部硬件设备的电源B.解析脑电信号（EEG）并将其转化为控制指令C.替代受损的大脑区域进行思考D.仅用于记录大脑皮层的电活动17.知识图谱在医疗领域的重要应用之一是构建CDSS（临床决策支持系统），其核心优势在于？A.能够处理非结构化的影像数据B.具备强大的逻辑推理能力，可关联症状、疾病、药物之间的关系C.计算速度比深度学习模型更快D.不需要人工构建知识库18.在AI辅助病理诊断中，为了在一张巨大的全切片图像（WSI）上检测癌细胞，通常采用的技术流程是？A.直接将整张图输入神经网络B.将图像分割成小块进行特征提取，再进行聚合预测C.人工先标注出所有癌细胞位置D.将图像转化为灰度图后再处理19.关于精准医疗，下列描述最准确的是？A.根据患者的临床症状制定通用的治疗方案B.仅依赖于基因测序技术C.结合患者的基因组、生活方式、环境因素等多模态数据，制定个性化防治方案D.只关注癌症患者的治疗20.根据相关法律法规及伦理规范，医疗AI产品在上市前必须经过严格的验证，其核心验证原则是？A.算法复杂度越高越好B.必须证明其安全性与有效性C.必须开源所有代码D.必须由同一家医院研发和使用二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题给出的四个选项中，有多项是符合题目要求的。全部选对得满分，少选得部分分，有错选不得分）21.人工智能在健康管理中的应用主要包括哪些方面？A.智能穿戴设备的生理指标监测B.个性化运动与饮食建议C.心理健康评估与干预D.淘汰所有传统医疗设备22.下列哪些属于医疗数据隐私保护的关键技术或法规？A.数据脱敏B.差分隐私C.HIPAA（健康保险流通与责任法案）D.明文传输23.深度学习在辅助眼科疾病诊断中，能够完成以下哪些任务？A.糖尿病视网膜病变的分级B.视网膜血管的分割C.视盘与视杯的定位（辅助青光眼诊断）D.白内障的术前风险评估24.医疗AI模型训练中常见的损失函数有哪些？A.交叉熵损失函数B.均方误差C.Dice系数损失（常用于图像分割）D.欧几里得距离25.人工智能在新冠疫情防控中的应用包括？A.病毒基因序列的快速分析与比对B.密切接触者的轨迹追踪C.肺部CT影像的快速筛查D.疫苗生产线的自动化控制26.导致医疗AI模型在临床落地困难的原因可能包括？A.模型的鲁棒性不足，跨医院数据分布差异大B.缺乏大规模、高质量的标注数据C.医生对AI系统的信任度低D.现有的医疗流程难以与AI系统整合27.关于强化学习在医疗中的应用，下列说法正确的有？A.可用于优化动态治疗方案B.通过Agent与环境的交互学习最佳策略C.完全不需要医生参与，自动开药D.在训练过程中需要考虑安全约束，避免探索出危险的治疗动作28.多模态学习在医疗健康中的价值在于？A.能够融合影像、文本、基因、电子信号等多种数据类型B.比单模态学习提供更全面的患者视图C.能够解决单一模态数据信息量不足的问题D.会导致模型计算量大幅减少29.下列关于生成式AI（GenerativeAI）在医疗中潜在风险的描述，正确的有？A.可能产生看似合理但医学上错误的“幻觉”内容B.可能被用于生成虚假的医疗新闻误导公众C.能够生成合成数据用于训练，缓解数据稀缺问题D.能够100%保证生成内容的准确性30.建设智慧医院需要依赖的关键技术体系包括？A.医疗物联网B.云计算与边缘计算C.大数据分析平台D.5G通信技术三、判断题（本大题共10小题，每小题1分，共10分。请判断每小题的表述是否正确，正确的填“A”，错误的填“B”）31.人工智能技术的发展已经证明，机器完全可以完全取代人类医生进行复杂的临床诊疗。32.在医学影像分析中，数据归一化（如将像素值缩放到0-1之间）是模型训练前的重要预处理步骤。33.监督学习需要使用带有标签的数据进行训练，而无监督学习则不需要标签。34.特异度是指实际上患病且被模型正确诊断为患病的概率。35.迁移学习可以利用在大规模自然图像数据集（如ImageNet）上预训练的模型，来提升小样本医学影像任务的性能。36.只要有足够多的数据，深度学习模型的准确率就能达到100%，因此不需要考虑数据质量。37.医疗领域的知识图谱主要用于存储和推理实体间的语义关系，如“阿司匹林”->“治疗”->“发烧”。38.边缘计算在医疗物联网中的应用，主要是将所有数据都传输到云端进行处理，以减少本地设备的负担。39.AI辅助筛查系统的主要作用是提供确诊结果，医生只需签字即可。40.伦理审查在涉及人类受试者的临床AI研究过程中是必不可少的环节。四、填空题（本大题共10小题，每小题2分，共20分。请将答案写在横线上）41.在分类问题中，混淆矩阵的行代表真实类别，列代表预测类别。若真实为正例且预测为正例，称为________；若真实为负例且预测为正例，称为假正例。42.深度神经网络中的________层通常用于减少过拟合，随机丢弃一部分神经元。43.是________率的计算公式，它是分类问题中最直观的评价指标。44.谷歌开发的________模型是Transformer架构的核心组件，广泛应用于NLP任务，如今也被引入医学时间序列分析中。45.在医学图像分割任务中，________网络是一种经典的编码器-解码器结构，能够输出像素级的分类结果。46.为了保护患者隐私，在对电子病历进行科研使用前，通常会去除姓名、身份证号等个人标识信息，这一过程称为________。47.AI在心血管疾病预测中，除了传统的临床指标外，还可以通过________技术分析心电图（ECG）信号，捕捉人眼难以察觉的微小异常。48.________学习是指模型在遇到新任务时，能够利用以往任务的知识，用极少量的样本快速适应新任务的学习范式，这对罕见病诊断尤为重要。49.在药物研发中，利用AI预测分子的类药性质，如Lipinski五法则，属于________化学的研究范畴。50.医疗AI产品的全生命周期管理包括：数据收集、模型训练、临床验证、________申请及上市后监测。五、简答题（本大题共5小题，每小题6分，共30分）51.简述人工智能在医疗影像分析中的基本工作流程。52.相比于传统统计学方法，机器学习在处理医疗大数据时有何优势？53.什么是“数据孤岛”问题？在医疗AI领域，联邦学习是如何解决这一问题的？54.简述医疗AI应用中可能面临的伦理挑战，并列举至少两个挑战点。55.解释深度学习中的“过拟合”现象，并说明在医疗数据场景下通常采用哪些技术手段来防止过拟合。六、应用分析题（本大题共3小题，每小题10分，共30分）56.某医院引入了一套AI辅助肺结节检测系统。在测试阶段，针对1000个样本（其中500个有结节，500个无结节）进行测试，结果如下：真阳性（TP）：450假阳性（FP）：50假阴性（FN）：50真阴性（TN）：450请计算：(1)该系统的准确率。(2)该系统的灵敏度。(3)该系统的特异度。(4)该系统的精确率。(5)作为医生，你更看重灵敏度还是特异度？请简述理由。57.案例分析：一款基于深度学习的皮肤癌识别App声称能够通过手机照片识别黑色素瘤。然而，后续研究发现，该模型在训练数据中包含了大量带有标尺（rulers）的病变图片，导致模型学会了识别“标尺”而非病变特征本身，因此在没有标尺的照片上表现极差。请分析：(1)该案例反映了机器学习中的什么问题？(2)这种问题会导致什么后果？(3)在构建医疗AI模型时，应采取哪些措施来避免此类问题？58.综合应用题：随着大语言模型（LLM）的兴起，某医疗机构计划开发一款“智能医生助手”。该助手需要具备以下功能：理解患者主诉、查询知识库、辅助医生写病历、并根据最新指南推荐检查项目。请结合人工智能技术知识，回答：(1)设计该系统的总体技术架构，需包含哪些关键模块？(2)在“理解患者主诉”环节，可能会遇到口语化、歧义等问题，应采用什么NLP技术进行处理？(3)为了确保推荐的检查项目符合医学规范且安全，系统设计应重点考虑哪方面的技术或机制？七、参考答案与解析一、单项选择题1.B解析：预测患病风险通常是一个连续的概率值或者归类为不同风险等级，但在机器学习任务划分中，预测具体数值（如风险概率数值）属于回归任务，预测类别（如高风险/低风险）属于分类。然而，题目问的是“预测风险”，通常指预测风险发生的概率值，更贴近回归；但在医疗语境下常被归为二分类（患病/不患病）。选项中B和A皆有可能，但预测风险分数通常被视为回归。注：若视为预测“是否患病”则是分类。但在公需科目考试中，预测风险数值通常对应回归。修正：在大多数公需科目教材中，预测风险值被归为回归。2.B解析：CNN是处理图像数据的首选架构，能有效提取空间特征。3.C解析：AlphaFold的主要贡献是解决了困扰生物学界50年的蛋白质折叠问题，即仅凭氨基酸序列预测蛋白质的三维结构。4.B解析：Veracity指数据的真实性和准确性，医疗数据对此要求极高。5.C解析：基因序列检测主要涉及生物信息学算法，虽然也用AI，但通常不归类为NLP（自然语言处理）。NLP主要处理文本语言。6.C解析：灵敏度（Recall）反映的是找出所有正例的能力，即“不漏掉”。在筛查场景下，宁可误报（假阳性），不可漏报（假阴性）。7.B解析：联邦学习的核心是“数据不动模型动”，解决了数据隐私和孤岛问题。8.C解析：目前AI是辅助工具，不能完全替代医生决策，医生需对最终结果负责。9.A解析：连续监测体征、评估压力和睡眠属于主动健康管理和预防医学范畴。10.B解析：预测分子与蛋白的结合是药物发现中的关键步骤，属于分子对接与虚拟筛选。11.D解析：随机参数初始化是训练过程的一部分，不是解释方法。SHAP、LIME、Grad-CAM都是著名的可解释性方法。12.B解析：数据扩充通过对现有数据进行变换来增加样本多样性，有效防止模型过拟合。13.B解析：传染病预测需要多维度的时空数据，单一医院数据或纯统计模型不够用。14.B解析：达芬奇是主从操作系统，医生控制机械臂，并非全自动。15.C解析：即使去除敏感特征，数据中可能仍包含与敏感特征强相关的代理变量，导致偏见残留，需更复杂的去偏技术。16.B解析：BCI的核心是将脑电信号解码为机器可执行的指令。17.B解析：知识图谱擅长处理实体间的复杂关系，进行逻辑推理和关联发现。18.B解析：WSI图像极大（GB级别），无法直接输入，通常采用滑动窗口切片处理。19.C解析：精准医疗强调多组学+环境+生活方式的综合考量。20.B解析：医疗器械上市必须遵循安全性和有效性原则。二、多项选择题21.ABC解析：AI用于监测、建议、评估，但不会完全淘汰传统设备，而是互补。22.ABC解析：脱敏、差分隐私是技术，HIPAA是法规。明文传输不安全。23.ABC解析：AI在眼科应用广泛，包括分级、分割、定位等。白内障术前评估通常依赖综合指标，AI可辅助但不是直接成像诊断任务的主流描述，且选项D不如ABC典型。注：严格来说AI也可辅助评估，但ABC是核心计算机视觉任务。24.ABC解析：交叉熵用于分类，MSE用于回归，DiceLoss用于分割。欧几里得距离是距离度量，不是损失函数（虽然MSE基于它）。25.ABC解析：AI在基因分析、追踪、影像筛查中发挥了巨大作用。D属于工业自动化，非AI在疫情防控中的直接分析应用。26.ABCD解析：数据分布差异、数据质量、信任度、流程整合都是落地难点。27.ABD解析：RL用于动态决策，需要医生监督和安全约束，不能完全无人。28.ABC解析：多模态融合信息更全面，解决单模态局限，但通常会增加计算量而非减少。29.ABC解析：幻觉是生成式AI的固有风险，不能100%保证正确；但生成合成数据是其优势。30.ABCD解析：智慧医院是综合技术体，IoT、云/边计算、大数据、5G均为基石。三、判断题31.B解析：AI目前只能辅助，不能完全取代医生，特别是在人文关怀和复杂决策上。32.A解析：归一化有助于模型收敛，是标准步骤。33.A解析：监督学习有标签，无监督学习无标签。34.B解析：这是灵敏度的定义。特异度是指实际无病且被正确诊断为无病的概率。35.A解析：迁移学习利用预训练模型是解决医学数据不足的有效手段。36.B解析：数据质量至关重要，垃圾进垃圾出。37.A解析：知识图谱存储实体及关系。38.B解析：边缘计算是将计算下沉到设备端，减少传输延迟和带宽压力。39.B解析：AI是辅助筛查，医生必须复核并负责，不能只签字。40.A解析：涉及人类数据的研究必须经过伦理审查。四、填空题41.真正例42.Dropout43.准确44.Attention（或注意力）45.U-Net46.去标识化或数据脱敏47.深度学习或信号处理48.小样本或Few-shot49.计算或Cheminformatics50.医疗器械注册或NMPA/FDA五、简答题51.答案：(1)数据获取与预处理：收集医学影像，进行去噪、归一化、增强等操作。(2)数据标注：由专家对病灶区域进行标注（如分割掩膜或分类标签）。(3)模型构建与训练：选择合适的网络架构（如CNN、U-Net），利用标注数据训练模型。(4)模型评估：使用测试集评估模型性能（灵敏度、特异度等）。(5)临床部署与推理：将模型集成到PACS系统中，对新影像进行自动分析，输出预测结果供医生参考。52.答案：(1)处理高维数据能力强：医疗数据特征多，机器学习能有效降维和提取特征。(2)发现非线性关系：能捕捉复杂的生理指标与疾病间的非线性关联，传统线性统计难以做到。(3)自动化特征提取：深度学习可自动从原始数据（如像素、波形）中学习特征，减少人工特征工程的依赖。(4)预测性能：在大数据支持下，通常比传统方法具有更高的预测精度。53.答案：(1)数据孤岛指由于隐私、安全、利益等原因，医疗数据分散在不同的医院或机构，无法汇聚在一起进行联合建模。(2)联邦学习解决方式：数据保留在本地：原始数据不离开本地服务器。参数交换：各参与方在本地训练模型，仅将模型参数（梯度或权重）加密上传到中心服务器进行聚合。全局更新：中心服务器将聚合后的全局模型下发，各参与方更新本地模型。这样既利用了多方数据提升模型，又保护了患者隐私。54.答案：挑战点：(1)数据隐私与安全：如何在利用数据的同时保护患者隐私不被泄露。(2)算法偏见与公平性：确保算法对不同种族、性别、社会经济地位的人群提供公平的诊断建议。(3)责任归属：当AI诊断出错导致医疗事故时，责任由医生、开发者还是医院承担？(4)可解释性：医生需要理解AI的判断依据，否则难以信任。(5)“黑箱”问题与知情同意。55.答案：(1)过拟合现象：模型在训练数据上表现非常好，误差很低，但在测试集或新数据上表现很差，泛化能力弱。模型“死记硬背”了训练数据的噪声和特例，而非学习到了通用规律。(2)防止手段：数据增强：通过旋转、翻转等扩充数据集。正则化：如L1/L2正则化，限制模型复杂度。Dropout：在训练过程中随机丢弃神经元。早停法：在验证集误差不再下降时停止训练。交叉验证：更充分地利用数据评估模型性能。使用更简单的模型结构。