| 1 |
What is the primary goal of the article according to its introduction?
|
3. To explore advancements, applications, and challenges of generative AI in medical imaging |
|
This Viewpoint provides a comprehensive overview of synthetic data in medical imaging and critically analyses the advancements, applications, and challenges of this field."
|
บทความนี้กล่าวถึงการปฏิวัติวงการภาพทางการแพทย์ด้วย ข้อมูลภาพสังเคราะห์ที่สร้างโดย AI ซึ่งมีประโยชน์ในการวิจัยและการประยุกต์ใช้ทางคลินิก แต่ก็มาพร้อมกับความท้าทายด้านการประเมินผลและจริยธรรมที่ต้องจัดการ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
How do generative AI models differ from traditional discriminative models in healthcare applications?
|
2. Generative models produce new data rather than only classify or interpret |
|
แบบจำลอง Discriminative (Discriminative models): มุ่งเน้นไปที่การ จำแนก (classify) หรือ ตีความ (interpret) ข้อมูลที่มีอยู่ โดยการเรียนรู้ขอบเขตการตัดสินใจที่แยกแยะระหว่างคลาสต่าง ๆ (เช่น การวินิจฉัยว่าเป็นโรค A หรือโรค B จากภาพถ่ายรังสี) ไม่สามารถสร้างข้อมูลใหม่ ได้เเละแบบจำลอง Generative (Generative models): มีความสามารถในการเรียนรู้การกระจายความน่าจะเป็นร่วมของข้อมูล (patterns และโครงสร้างที่ซ่อนอยู่) ทำให้สามารถ สร้างข้อมูลใหม่ (produce new data) ที่เหมือนหรือคล้ายคลึงกับข้อมูลที่ใช้ในการฝึกฝนได้ นอกเหนือจากการจำแนกหรือตีความ
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
What is meant by the term “model as a dataset”?
|
3. Sharing trained model weights instead of raw data |
|
Model as a dataset" หมายถึงการที่ โมเดลที่ถูกฝึกฝน (trained model) ถูกใช้เป็นวัตถุที่สามารถแบ่งปันได้ เพื่อถ่ายโอนความรู้ที่ได้จากชุดข้อมูลขนาดใหญ่ แทนที่ การแบ่งปันชุดข้อมูลดิบที่มีความเสี่ยงด้านความเป็นส่วนตัวหรือมีขนาดใหญ่เกินไป
|
Physics-informed models are primarily rule-based approaches that incorporate domain-specific knowledge and physics principles through mathematical equations and explicit constraints to generate realistic and physically plausible data.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Which statement correctly distinguishes physics-informed and statistical models?
|
3. Physics-informed models incorporate biological or physical principles |
|
ในบทความมีการกล่าวการใส่หลักการทางฟิสิกส์ (Incorporating Physics Principles) การเข้ารหัสกฎฟิสิกส์ (Encoding Physics Laws)
|
incorporate domain-specific knowledge and physics principles" และ "encode expert knowledge and known physics laws (eg, fluid dynamics, tissue biomechanics, or radiation physics)
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
According to the article, what does the “image generation trilemma” describe?
|
2. Trade-offs among image diversity, quality, and speed |
|
"image generation trilemma" อธิบายถึงการแลกเปลี่ยนผลประโยชน์ (trade-offs) ระหว่างสามปัจจัยหลักในการสร้างภาพสังเคราะห์: ความหลากหลาย คุณภาพ , และความเร็ว .
|
Figure 2. The image generation trilemma, which represents the trade-offs among three key aspects of generative models: diversity, quality, and speed.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
What is the Human Turing Test used for in medical image synthesis?
|
2. To assess realism of synthetic medical images by experts |
|
Human Turing Test เป็น "gold standard" สำหรับการประเมินคุณภาพของภาพที่สร้างขึ้นจุดประสงค์หลักคือให้ ผู้เชี่ยวชาญ (domain experts) แยกแยะระหว่างภาพจริงกับภาพสังเคราะห์ (derived images)เเละการที่ผู้เชี่ยวชาญไม่สามารถแยกแยะได้
|
In addition to computational metrics, human evaluation remains a gold standard for assessing the quality of generated medical images. The human Turing test involves domain experts who are asked to discern between real and derived medical images."
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
Which of the following is NOT mentioned as a potential benefit of synthetic data in healthcare?
|
4. Eliminating all medical biases permanently |
|
ในบทความไม่ได้มีการกล่าวถึง "การกำจัดอคติทางการแพทย์ทั้งหมดอย่างถาวร"
|
"Testing synthetic images in practical, clinical tasks such as training classifiers for disease detection can further highlight their utility. Combining these efforts could provide a robust, health-care-specific evaluation, thereby ensuring that synthetic images meet both technical and clinical standards for advancing medical imaging research and practice."
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
What is one major ethical concern associated with generative AI in medical imaging?
|
2. Data copying and patient reidentification |
|
* Generative AI (ปัญญาประดิษฐ์เชิงกำเนิด) ในการแพทย์มักถูกฝึกฝนด้วยชุดข้อมูลภาพทางการแพทย์ขนาดใหญ่ที่มีข้อมูลผู้ป่วยจริง
* ความเสี่ยงด้านจริยธรรมที่สำคัญที่สุด คือการที่แบบจำลองอาจเกิดการ "จดจำ" และ "ทำซ้ำ" ข้อมูลภาพและข้อมูลส่วนตัวของผู้ป่วยที่ใช้ในการฝึกฝน (Data Copying/Memorization)
* หากมีการทำซ้ำข้อมูลนี้ เมื่อภาพที่สร้างโดย AI ถูกนำไปใช้หรือเผยแพร่ มีความเสี่ยงสูง ที่จะสามารถทำการ Reidentification (ระบุตัวตนผู้ป่วยซ้ำ) กลับไปยังผู้ป่วยต้นทางได้
* ประเด็นนี้ถือเป็นการละเมิด ความเป็นส่วนตัวของผู้ป่วย (Patient Privacy) และ กฎหมายคุ้มครองข้อมูล (เช่น HIPAA หรือ GDPR) ซึ่งเป็นหัวใจสำคัญทางจริยธรรมในการแพทย์
|
The challenges and ethical considerations surrounding generative artificial intelligence, including patient privacy, data copying, and potential biases that could impede clinical translation, are also addressed."
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
What regulatory precedent did the article cite for synthetic data technologies?
|
2. FDA clearance of synthetic MRI as image-processing software |
|
เพราะเป็นโมเดลพยากรณ์ความเสี่ยงโรคหัวใจและหลอดเลือด (ASCVD) ที่พัฒนาจากการศึกษาประชากรตะวันตก (Western population) โดยเฉพาะชาวสหรัฐอเมริกาเชื้อสายยุโรป (non-Hispanic White) ซึ่งปรากฏชัดใน Abstract ที่ระบุว่าแบบจำลองความเสี่ยงในสหรัฐอเมริกานั้นอ้างอิงข้อมูลจากประชากรผิวขาวเป็นหลัก
|
ynthetic MRI ซึ่งเป็นหนึ่งใน Generative AI ในการสร้างภาพทางการแพทย์ พบว่าเหตุการณ์สำคัญที่เป็น "บรรทัดฐานทางกฎหมาย
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
What is the main purpose of the article?
|
2. To compare and evaluate ASCVD risk prediction models in East Asia |
|
บุว่า generative artificial intelligence และ synthetic datasets “have the potential to change medical imaging research and clinical practice” ซึ่งชี้ชัดว่าบทความมุ่งเน้นการเสนอเทคโนโลยีภาพทางการแพทย์รูปแบบใหม่ (image generation models) และแนวทางการนำไปใช้เชิงคลินิก ดังนั้นวัตถุประสงค์หลักของบทความจึงสอดคล้องกับข้อ 4 ซึ่งเกี่ยวข้องกับการนำเสนอเทคโนโลยีการสร้างภาพทางการแพทย์แบบใหม่
|
Since 2022, generative AI has become a transformative tool in medical imaging, enabling the creation of synthetic datasets that closely resemble real-world data. This Viewpoint discusses the advances, applications, and challenges of synthetic data in this field.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
Which of the following models was originally developed for a Western population?
|
1. Framingham Risk Score |
|
Framingham Risk Score (FRS) เป็นโมเดลที่ถูกพัฒนาขึ้นจากข้อมูลที่รวบรวมใน Framingham Heart Studyหลักฐาน: ผลการค้นหาชี้ให้เห็นว่า FRS ถูกพัฒนาจากประชากรในเมือง Framingham, Massachusetts ซึ่งเป็น ประชากรชาวตะวันตก (Western population) โดยเฉพาะอย่างยิ่งกลุ่มคนผิวขาว (Caucasian cohort) ในช่วงแรกของการศึกษา
|
ASCVD risk calculators, developed by the ACC/AHA, overestimate risk in Chinese, Korean, and Japanese people. Risk calculators developed by professional organizations in the countries of origin, however, lack validation in East Asians living in the United States, who are exposed to different environmental and cultural influences.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Why might Western-based risk prediction models overestimate ASCVD risk in East Asian populations?
|
2. East Asians have lower baseline incidence of ASCVD |
|
|
ASCVD risk calculators, developed by the ACC/AHA, overestimate risk in Chinese, Koreans, and Japanese people
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
What is the key advantage of the China-PAR model compared to Western-based models?
|
4. It was calibrated using national data representing diverse regions in China |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
Which of the following variables is not typically included in ASCVD risk prediction models discussed in the article?
|
4. Genetic ancestry markers |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
What is a major difference between the Suita Score and the Framingham Risk Score?
|
2. Suita Score was designed for a Japanese population using local epidemiological data |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
According to the article, what is a potential benefit of developing East Asia–specific risk models?
|
3. They improve accuracy and reduce overestimation of risk |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Which factor was highlighted as influencing ASCVD risk differences among East Asian countries?
|
2. Cultural and dietary variations, such as salt intake and lifestyle |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
What future direction does the article suggest for improving ASCVD risk prediction?
|
2. Using multimodal AI-based prediction integrated with regional data |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
Which statement best explains the key difference in how VAEs, GANs, and DDPMs generate medical images according to the figure?
|
3. DDPMs iteratively remove noise through reverse diffusion rather than using encoder–decoder or discriminator structures. |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
Which of the following best explains the trend shown in Figure comparing age-standardized and crude CVD mortality rates among East Asian countries?
|
3. Despite differences in age structures, Japan maintains low mortality rates in both measures, suggesting effective prevention and healthcare systems. |
|
|
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|