(2026)人工智能与健康考试题及答案

(2026)人工智能与健康考试题及答案一、单项选择题（每题2分，共40分）1.在医学影像分析中，卷积神经网络（CNN）最主要利用了图像的哪种特性？A.图像的时间序列特性B.图像的空间层级特性C.图像的音频频谱特性D.图像的文本语义特性答案B2.人工智能辅助诊断系统（CAD）在临床应用中，目前最主要的作用是？A.完全替代放射科医生进行阅片B.提高医生的诊断效率，作为"第二读者"减少漏诊C.自动开具处方药物D.独立承担医疗法律责任答案B3.在监督学习中，用于训练AI模型的历史病历数据必须包含什么关键要素？A.患者的姓名和联系方式B.医生的主观推测C.准确的输入特征（如影像）和对应的标签（如确诊结果）D.海量的无关互联网数据答案C4.关于人工智能在药物研发中的应用，下列哪项描述是错误的？A.可以利用AI预测分子结构与靶点的结合能力B.能够大幅缩短药物筛选的周期C.可以完全避免动物实验和临床试验D.可以辅助设计全新的药物分子结构答案C5.深度学习算法在处理电子病历（EHR）中的非结构化文本（如医生病程记录）时，通常采用哪种技术？A.支持向量机(SVM)B.随机森林C.自然语言处理(NLP)D.K-均值聚类答案C6.可穿戴设备（如智能手表）持续监测心率变异性（HRV），通过AI算法评估用户的压力水平和睡眠质量。这体现了智慧健康中的哪个特点？A.仅用于治疗急性疾病B.间歇性数据采集C.连续性监测与预防为主D.仅依赖医院环境数据答案C7.在医疗大数据的预处理阶段，针对不同来源、不同标准的数据进行统一处理的过程，被称为？A.数据挖掘B.数据清洗与归一化C.模型训练D.结果可视化答案B8.阿尔法Fold(AlphaFold)技术在生物医学领域的重大突破是解决了什么问题？A.人类基因测序速度问题B.蛋白质折叠结构预测问题C.癌症细胞的自动识别D.药物副作用自动检测答案B9.评估一个二分类疾病预测模型性能时，若关注模型找出所有真正患病者的能力，应主要参考哪个指标？A.准确率B.精确率C.召回率/灵敏度D.特异度答案C解析灵敏度（Sensitivity）或召回率是指在所有实际为阳性的样本中，被正确预测为阳性的比例，反映了模型检出患病者的能力。10.关于联邦学习在医疗中的应用，下列说法正确的是？A.需要将所有医院的数据汇总到一个中心服务器B.数据不出院，通过交换模型参数来共同训练C.只能用于图像数据，不能用于文本数据D.会导致患者隐私泄露风险极高答案B11.AI驱动的手术机器人在临床上的主要优势是？A.完全自动手术，无需医生介入B.消除所有手术风险C.提高手术操作的精准度和稳定性，过滤手部抖动D.降低手术成本至几乎为零答案C12.在精神心理健康领域，AI可以通过分析用户的语音语调、用词习惯和面部表情来辅助识别抑郁症倾向。这属于哪种模态的数据分析？A.单模态分析B.多模态融合分析C.纯数值分析D.统计学分析答案B13."数字疗法"（DigitalTherapeutics）是指什么？A.仅指医院里的数字化检查设备B.由软件程序驱动的，基于循证医学的干预治疗方案C.医生在电脑上开纸质处方D.互联网上的健康科普文章答案B14.医疗AI模型出现"算法歧视"（AlgorithmicBias）的主要原因通常是？A.算法本身具有意识B.训练数据本身存在人口统计学偏差（如特定种族或性别数据不足）C.计算机硬件故障D.医生故意设置错误答案B15.在强化学习框架下，AI智能体通过调整化疗药物的剂量策略，以最大化患者的长期生存率并最小化毒性反应。其中，"奖励函数"（RewardFunction）的设计通常包含？A.仅包含药物成本B.仅包含治疗时间C.患者生存期、肿瘤缩小程度、副作用严重程度等综合指标D.医院的床位周转率答案C16.下列哪项不属于医疗AI中的"可解释性"（XAI）技术的主要目的？A.让医生理解AI做出诊断的依据B.帮助发现模型是否学习了错误的特征（如关注了图片上的水印）C.提高模型在竞赛中的分数排名D.增强医患对AI系统的信任答案C17.智慧养老中，利用毫米波雷达监测老人在浴室的跌倒情况，相比摄像头监控的主要优势是？A.成本极高B.图像分辨率更高C.不拍摄画面，保护用户隐私且不受水雾烟雾影响D.只能用于室外答案C18.大型语言模型（LLM）在医疗问答中的主要局限在于？A.无法理解自然语言B.可能产生"幻觉"（Hallucination），即生成看似合理但事实错误的医疗信息C.只能回答英文问题D.无法处理长文本答案B19.用AI进行基因组学分析，旨在实现？A.修改人类的基因序列B.识别基因变异与疾病之间的关联，实现精准医疗C.替代传统的生化检测D.仅用于植物学研究答案B20.2018年欧盟发布的《通用数据保护条例》（GDPR）中，与AI相关的第22条主要涉及什么权利？A.数据被遗忘权B.不受完全自动化决策影响的权利C.数据可携带权D.知情同意权答案B二、判断题（每题1分，共10分）1.医疗人工智能的发展目标是最终完全取代医生，实现全自动化的医疗诊疗。答案错误2.只要数据量足够大，深度学习模型就能在医疗领域达到100%的预测准确率。答案错误解析医学数据存在噪声、异构性和不确定性，且疾病机制复杂，不存在完美的模型，且过拟合风险始终存在。3.隐私计算技术（如多方安全计算）可以在不泄露原始数据的前提下实现数据的价值挖掘。答案正确4.在医疗图像分割任务中，U-Net是一种非常经典且广泛使用的神经网络架构。答案正确5.AI在病理学中的应用只能用于识别癌细胞，无法分析组织微环境。答案错误6.所有的医疗AI产品上市前都必须经过严格的临床试验验证和监管机构审批（如FDA或NMPA）。答案正确7.医疗大数据中的"数据孤岛"现象是指不同医院之间的信息系统互不兼容，数据难以互通共享。答案正确8.人工智能可以用于预测流行病的传播趋势和爆发风险，例如通过分析社交媒体数据和交通流动数据。答案正确9.机器学习中的"过拟合"是指模型在训练集上表现很好，但在未知的新数据（测试集）上表现很差。答案正确10.只有具备深厚编程能力的医生才能使用人工智能辅助诊疗工具。答案错误三、填空题（每空1分，共10分）1.人工智能的三大核心要素通常指：算法、算力和  。答案数据2.在评价二分类模型时，我们将真正例率（TPR）作为纵坐标，假正例率（FPR）作为横坐标，绘制的曲线称为  曲线。答案ROC3.  学习是一种让机器通过与环境交互，试错并获取奖励来优化策略的方法，常用于AI挑战围棋或优化放疗计划。答案强化4.电子病历结构化中，ICD-10是国际通用的  分类标准。答案疾病5.在深度学习中，  函数用于衡量模型预测结果与真实标签之间的差异，是模型优化的目标。答案损失6.利用CT影像进行冠状病毒肺炎（COVID-19）筛查时，AI模型主要识别的影像特征包括磨玻璃影和  。答案实变7.通过分析人体产生的大量生物分子数据（如基因组、转录组、蛋白质组等）来进行疾病研究的方法学称为  组学。答案多8.医疗AI中的  性要求算法的设计和决策过程对人类医生是透明、可理解的，而不是"黑箱"。答案可解释四、简答题（每题5分，共20分）1.简述人工智能在医疗健康管理中的主要应用场景（至少列举4个）。答案(1)医学影像辅助诊断（如肺结节筛查、眼底病变识别）；(2)智能药物研发（如靶点发现、分子筛选）；(3)健康管理与可穿戴设备（如心率监测、睡眠分析）；(4)辅助临床决策支持系统（CDSS）；(5)智能康复与手术机器人。2.相比于传统机器学习，深度学习在处理医疗数据时有何优势？答案(1)自动特征提取：无需人工设计特征，能从原始数据（如像素、波形）中自动学习高层次特征；(2)处理复杂数据能力强：擅长处理图像、语音、文本等非结构化医疗大数据；(3)端到端学习：直接从输入映射到输出，优化整体流程；(4)随着数据量增加，性能提升潜力更大。3.在使用医疗AI进行临床决策时，为什么要强调"人机协同"（Human-in-the-loop）？答案(1)医学复杂性：疾病千变万化，AI难以覆盖所有罕见情况和并发症；(2)责任归属：AI目前不具备法律主体资格，最终医疗决定和责任需由医生承担；(3)伦理与人文关怀：医生能结合患者心理、社会背景进行综合考量，这是AI难以替代的；(4)容错与纠偏：医生可以识别并纠正AI的"幻觉"或错误判断。4.什么是医疗数据中的"类别不平衡"（ClassImbalance）问题？常用的解决方法有哪些？答案定义：指在数据集中，某一类样本（如患病样本）数量远少于另一类样本（如健康样本）的现象。解决方法：(1)数据层面：过采样（如SMOTE算法增加少数类样本）、欠采样（减少多数类样本）；(2)算法层面：调整类别权重（对少数类样本赋予更高损失权重）、使用集成学习方法；(3)评价指标层面：不单纯使用准确率，而使用F1-score、AUC等指标评估。五、案例分析题（每题10分，共20分）1.案例描述：某科技公司开发了一款基于深度学习的皮肤癌识别APP。用户上传皮肤病变照片，APP在几秒内给出诊断建议（良性/恶性）。该模型在10万张公开数据集上训练，准确率达到95%。但在实际推广中，发现对于深肤色人群的误诊率明显高于浅肤色人群，且用户经常因为照片拍摄光线、角度不同得到完全不同的结果。问题：(1)分析该AI模型在实际应用中暴露出的问题及其产生原因。（5分）(2)从工程和伦理角度，提出改进建议。（5分）答案：(1)问题及原因：-算法偏差/公平性问题：深肤色人群误诊率高，原因可能是训练数据集中深肤色样本比例不足（数据偏差），导致模型泛化能力差。-鲁棒性差：受拍摄光线、角度影响大，原因可能是模型对环境因素过拟合，或在训练时未进行足够的数据增强（DataAugmentation），导致对真实环境中的噪声容忍度低。(2)改进建议：-工程角度：增加多样化的训练数据（不同肤色、不同拍摄条件）；应用数据增强技术（模拟不同光照、角度）；在模型输入前增加图像预处理和标准化流程；进行严格的压力测试。-伦理角度：在说明书中明确标注模型的适用人群和局限性；进行"公平性审计"；建立反馈机制，允许用户上传错误案例以迭代模型；强调APP仅用于筛查参考，不可替代专业病理诊断。2.案例描述：某三甲医院引入了一套AI辅助分诊系统。系统通过读取患者的电子病历、主诉及生命体征，自动推荐就诊科室。实施半年后，医院发现分诊准确率从85%提升至92%，但部分年长的患者对"机器推荐科室"表示不信任，坚持认为系统无法理解他们的痛苦，导致医患沟通成本增加，甚至有患者因此投诉。同时，医生反映系统偶尔会将罕见病分诊到普通科室。问题：(1)结合技术与心理因素，分析为什么会出现患者不信任的情况？（4分）(2)针对"罕见病分诊错误"和"患者信任危机"，医院应如何优化系统的应用流程？（6分）答案：(1)患者不信任的原因：-技术黑箱：患者不知道AI如何做出判断，缺乏透明度。-缺乏情感交互：AI无法给予患者情感上的共鸣和抚慰，冷冰冰的"推荐"显得机械。-数字鸿沟：老年群体对新技术的接受度低，习惯于人际交流。-错误归因：一旦系统出现错误（如罕见病分错），患者会产生"幸存者偏差"，彻底否定