医学影像 AI 工程师考试试卷及答案

医学影像AI工程师考试试卷及答案医学影像AI工程师考试试卷及答案一、填空题（共10题，每题1分）1.医学影像中，X光的英文缩写是______。答案：X-ray2.CT的中文全称是______。答案：计算机断层扫描3.卷积神经网络的英文缩写是______。答案：CNN4.医学影像的标准存储格式是______。答案：DICOM5.图像分割任务中常用的评估指标是______（英文缩写）。答案：IoU6.标记数据用于模型训练的过程称为______。答案：标注7.深度学习中减少过拟合的技术之一是______。答案：dropout8.MRI的中文全称是______。答案：磁共振成像9.二分类任务常用的评估指标是______。答案：准确率10.医学影像AI模型临床部署的常用接口标准是______。答案：HL7二、单项选择题（共10题，每题2分）1.以下不属于医学影像模态的是（）A.X光B.CTC.心电图D.MRI答案：C2.适合医学图像分割的模型是（）A.ResNetB.U-NetC.BERTD.LSTM答案：B3.DICOM格式用于存储（）A.文本B.音频C.医学影像及信息D.视频答案：C4.损失函数的作用是（）A.衡量预测与真实值差异B.增加模型复杂度C.减少数据量D.加速训练答案：A5.不属于图像预处理步骤的是（）A.归一化B.增强C.标注D.裁剪答案：C6.评估模型泛化能力的数据集是（）A.训练集B.验证集C.测试集D.标注集答案：C7.激活函数的作用是（）A.引入非线性B.减少参数C.加速收敛D.防止过拟合答案：A8.病灶检测任务的目标是（）A.划分区域B.识别病变位置C.分类图像D.预测进展答案：B9.常用的深度学习优化器是（）A.SGDB.KNNC.SVMD.RandomForest答案：A10.数据不平衡指（）A.数据量少B.类别样本差异大C.质量差D.格式不统一答案：B三、多项选择题（共10题，每题2分）1.医学影像AI的应用场景包括（）A.病灶检测B.图像分割C.疾病诊断D.药物研发答案：ABC2.图像预处理步骤有（）A.去噪B.归一化C.旋转D.标注答案：ABC3.模型评估指标包括（）A.准确率B.召回率C.IoUD.损失值答案：ABC4.解决数据不平衡的方法（）A.过采样B.欠采样C.数据增强D.调整损失函数答案：ABCD5.医学影像标注方法有（）A.手动标注B.半自动标注C.自动标注D.无标注答案：ABC6.深度学习常见层包括（）A.卷积层B.池化层C.全连接层D.激活层答案：ABCD7.AI模型开发流程包括（）A.数据收集B.预处理C.训练D.评估答案：ABCD8.影响模型性能的因素（）A.数据质量B.模型结构C.训练参数D.标注质量答案：ABCD9.临床部署需考虑（）A.兼容性B.安全性C.可解释性D.成本答案：ABCD10.伦理问题包括（）A.数据隐私B.责任划分C.公平性D.透明度答案：ABCD四、判断题（共10题，每题2分）1.AI模型可完全替代医生诊断。（）答案：错2.DICOM是医学影像国际标准。（）答案：对3.卷积神经网络适合处理图像。（）答案：对4.过拟合指训练集表现好，测试集差。（）答案：对5.数据增强增加数据多样性。（）答案：对6.AI模型无需标注数据即可训练。（）答案：错7.IoU是分割任务常用指标。（）答案：对8.模型参数越多越好。（）答案：错9.AI应用需通过伦理审查。（）答案：对10.验证集用于调整模型参数。（）答案：对五、简答题（共4题，每题5分）1.简述医学影像AI模型开发流程。答案：流程包括：1.数据收集：获取合规影像及标注；2.预处理：去噪、归一化、增强等；3.模型设计：选择合适架构（如U-Net）；4.训练：用训练集训练，验证集调参；5.评估：测试集验证性能（准确率、IoU等）；6.部署：对接临床系统并验证。需确保数据合规和模型安全。2.说明数据预处理的重要性及步骤。答案：预处理提升数据质量，减少噪声，增强模型性能。步骤：1.去噪：去除高斯等噪声；2.归一化：像素值统一范围；3.增强：旋转、翻转等增加多样性；4.裁剪：提取ROI；5.格式转换：DICOM转PNG等。预处理让模型聚焦有效特征，提升效率。3.列举模型评估指标及意义。答案：常用指标：1.准确率：整体正确预测比例；2.召回率：漏诊率（阳性样本识别率）；3.精确率：误诊率（预测阳性的正确率）；4.IoU：分割交并比；5.AUC-ROC：二分类区分能力。指标从多维度评估模型，确保临床适用。4.如何解决数据不平衡问题？答案：方法：1.过采样：增加少数类样本；2.欠采样：减少多数类样本；3.增强：少数类样本旋转等；4.加权损失：给少数类更高权重；5.集成学习：多模型结合。平衡分布，提升少数类识别能力。六、讨论题（共2题，每题5分）1.讨论医学影像AI的伦理挑战及应对。答案：伦理挑战：1.数据隐私：泄露风险；2.责任划分：误诊责任归属；3.公平性：人群性能差异；4.透明度：黑箱决策。应对：1.加密数据，合规管理；2.明确责任边界；3.多样化数据集训练；4.开发可解释AI。促进ethical应用。2.分析