سه نمونه سوال این فصل با پاسخ تشریحی کامل. گزینه را انتخاب کنید تا پاسخ و درسنامه باز شود.
۳۰سوال در بانک این فصل
نمونه سوالها
نمونه سوال ۱ از ۳
یک تیم تروما قصد دارد مدلی برای تشخیص خودکار شکستگی اسکافوئید بسازد و باید نوع یادگیری را انتخاب کند. تصاویر فراوانی موجود است اما برچسبزدن آنها نیازمند وقت جراحان محدود است و پرهزینه است. کدام رویکرد یادگیری ماشین بر تصاویر دارای برچسب انسانی متکی است؟
انواع یادگیری ماشین در تروما
تعریف:
هوش مصنوعی شاخهای از علم داده است که با الگوریتمها از داده میآموزد و عملکردش را بهمرور بهبود میدهد.
انواع یادگیری:
یادگیری نظارتشده با داده برچسبخورده آموزش میبیند و با داده محدود هم میتواند عملکرد خوب بدهد، اما تهیه برچسب توسط متخصصان پرهزینه است نکته سوال.
یادگیری بدون نظارت بدون برچسب از داده الگو استخراج میکند و میتواند خوشهبندی خودکار انجام دهد.
یادگیری تقویتی با تعامل با محیط و دریافت بازخورد تصمیم میگیرد.
یادگیری عمیق:
زیرمجموعه یادگیری ماشین با شبکههای عصبی الهامگرفته از مغز است که برای داده پیچیده مانند تصویر و متن مناسب است.
نکته بالینی: گلوگاه اصلی ساخت مدل دقیق در تروما، کمبود متخصص برای برچسبزدن داده است نه کمبود الگوریتم.
گروهی هنگام ساخت شبکه عصبی برای طبقهبندی شکستگی میخواهند مرجع حقیقت یا گراند تروث را تعیین کنند و نگران سوگیری ناشی از تکیه بر یک ناظر واحد هستند. برای کاهش سوگیری ناظر در تعیین مرجع حقیقت، مناسبترین راهکار کدام است؟
گراند تروث در طبقهبندی شکستگی
تعریف:
گراند تروث مرجع حقیقتی است که مدل با آن آموزش میبیند و کیفیت آن سقف عملکرد مدل را تعیین میکند.
کاهش سوگیری ناظر:
اتکا به یک ناظر واحد خطر سوگیری شبکه بهسمت همان ناظر را دارد.
طبقهبندی هر شکستگی توسط چند بالینگر و ساخت مرجع با رایگیری اکثریت سوگیری انسانی را کم میکند اما حذف نمیکند نکته سوال.
استاندارد مرجع:
استفاده از سیتی بهعنوان گراند تروث بهترین رویکرد برای آموزش شبکه است، هرچند همیشه در دسترس نیست بهویژه در شکستگیهای ساده.
نکته بالینی: نویز برچسب میتواند اثربخشی شبکه عصبی پیچشی را مختل کند؛ پس کیفیت و توافق برچسبگذاری به اندازه معماری مدل اهمیت دارد.
مدلی برای تشخیص شکستگی در یک بیمارستان توسعه یافته و عملکرد عالی روی داده همان مرکز دارد. تیم پیش از استقرار مدل در مرکزی دیگر با جمعیت و دستگاههای متفاوت نگران افت عملکرد است. این مرحله ارزیابی که بر انتقالپذیری تمرکز دارد چه نام دارد؟
مراحل اعتبارسنجی مدل
تعریف:
توسعه مدل دو فاز آموزش و آزمون دارد و پس از آن باید اعتبار آن در محیطهای جدید سنجیده شود.
انواع اعتبارسنجی:
اعتبارسنجی داخلی مدل را روی نمونههای ندیده همان مجموعه میآزماید و بر بازتولیدپذیری تمرکز دارد.
اعتبارسنجی خارجی بر انتقالپذیری تمرکز دارد و عوامل دموگرافیک و تفاوت دستگاهها را میسنجد نکته سوال.
اعتبارسنجی آیندهنگر مدل را بهصورت بلادرنگ در عمل روزمره با تصاویر زاویهنامناسب و نوردهی متغیر میآزماید.
اهمیت بالینی:
عملکرد در اعتبارسنجی خارجی معمولا پایینتر از فاز توسعه است و اهمیت اعتبارسنجی خارجی جغرافیایی را نشان میدهد.
نکته بالینی: مدلی که فقط داخلی اعتبارسنجی شده ممکن است در مرکز دیگر شکست بخورد؛ پیش از استقرار، انتقالپذیری باید اثبات شود.
