| 1 |
What is the primary goal of the article according to its introduction?
|
To explore advancements, applications, and challenges of generative AI in medical imaging |
|
เมื่ออ่านแล้ว เห็นภาพรวมทั้งหมดของงาน
|
ใช้หลัการ 3c of communication 1.clear มีความกระจ่างแจ้งชัดเจน
2.Concise มีความกระชับ
3.consistentcy ความสมำเสมอ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
How do generative AI models differ from traditional discriminative models in healthcare applications?
|
Generative models produce new data rather than only classify or interpret |
|
หัวใจสำคัญของทั้งสองโมเดลอยู่ที่การแบ่งสรรข้อมูล
|
Discriminative model เป็นการเรียนรู้ถึความสัมพันธ์ เพื่อการทำนาย และคาดการณ์คำนิยาม แต่ในส่วนของตัว generative model เป็นการเรียนรู้ความน่าจะเป็นร่วม ของข้อมูล
DiscriminativeP(x/y) generative P(x,y) P(x)
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
What is meant by the term “model as a dataset”?
|
Sharing trained model weights instead of raw data |
|
แทนที่จะใช้raw data เลย แต่ train model เพื่อ มาrefine ต่อ
|
เป็น Mechanical leaning สาขาหนึ่งของปัญญาประดิษฐ์ ที่พัฒอัลกอริทึมและแบบจำลองทางสถิติ เพื่อให้คอมพิวเตอรเรียนรู้จากข้อมูล พัฒานาความสามารถได้ด้วยตนเอง
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
Which statement correctly distinguishes physics-informed and statistical models?
|
Physics-informed models incorporate biological or physical principles |
|
Physics informed คือการ ใส่ความรู้ทางฟิสิกสและชีวะลงไปด้วย ต่างจากstatistical ที่ เป็น datadriven และใช้ความน่าจะเป็น
|
Physics-Informed Neural Networks เป็นmachineleaning ที่ embedding กฏฟิสิกส์ โดยตรง ในการเทรน neutral network จึงฝืนกฎธรรมชาติไม่ได้
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
According to the article, what does the “image generation trilemma” describe?
|
Trade-offs among image diversity, quality, and speed |
|
ความชัด ความหลากหลายของภาพ ความเร็วในการสร้าง คือtrilemma ในบริบทของการ gen ภาพ
|
การ optimize หลายตัวพร้อมกัน แทนด้วย performance = f(หลากหลาย คมชัด ความเร็ว) ซึ่งมันขัดแย่งกันเอง คือจะได้คมชัด หลากหลาย และ เร็วพร้อมกันไม่ได้
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
What is the Human Turing Test used for in medical image synthesis?
|
To assess realism of synthetic medical images by experts |
|
ให้ผู้เชี่ยงชาญ เป็นผู้ตัดสิน ว่าภาพที่ถูกสร้างขึ้น ไม่ใช่ภาพจากผู้ป่วยจริง เหมือนจริงแค่ไหน
|
Human Turing test เป็นการทดสอบความเหมือนจริงจากภาพที่สร้างขึ้นมา โดยผู้ที่ตัดสินใจ คือ มนุษย์ ว่าจะแยกแยะว่าภาพไหนจริง ไม่จริง ซึ่งเป็นการ Based on การรับรู้ของมนุษย์
|
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?
|
Eliminating all medical biases permanently |
|
Synthetic data สร้างจาก data เดิม ถ้าเกิดว่าdata เดิมนั้นมีbias มันก็จะถ่ายทอด
จึงกำจัดbiasได้ไม่ร้อยเปอร์เซ็นต์
|
Garbage in ->Garbage out
ข้อมูล Bias โมเดลก็Bias
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
What is one major ethical concern associated with generative AI in medical imaging?
|
Data copying and patient reidentification |
|
โมเดลอาจจำข้อมูลของคนไข้ได้ แล้วสร้างภาพออกมาจริง อาจระบุตัวคนไข้คนนั้นได้ ซึ่งผิดต่อจริยธรรมแพทย์ และกฏหมายคุ้มครองความเป็นส่วนบุคคล
|
Machine learning มีความเสี่ยงจากการ จดจำข้อมูลของโมเดล เมื่อ Pmodel(x)=P(data)
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
What regulatory precedent did the article cite for synthetic data technologies?
|
FDA clearance of synthetic MRI as image-processing software |
|
หน่วยวานที่เคยกำกับดูแลและอนุมัติแล้ว คือ fda เพราะ fda เป็นหน่วยงานกำกับจริงของusa ที่เคยอนุมัติ software ที่ใช้ ai ในการสร้างภาพ mri
|
SaMD
safety
effectiveness
clinical validity
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
What is the main purpose of the article?
|
To compare and evaluate ASCVD risk prediction models in East Asia |
|
ครอบคลุมภาพรวมของงาน และหัวใจของmainpurpose
|
แนวคิดนี้อยู่ใน Epidemiology และ Cardiovascular Medicine โดยใช้โมเดลทำนายความเสี่ยง ที่ใช้ได้กับ east asia
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
Which of the following models was originally developed for a Western population?
|
Framingham Risk Score |
|
พัฒนาจากงานวิจัย Framingham Heart Study ใน
Framingham, Massachusetts
ซึ่งเป็นประชากรชาวอเมริกัน(western population)
|
โมเดลนี้ใช้ทำนายความเสี่ยงของ
Atherosclerotic Cardiovascular Disease ใน western population
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Why might Western-based risk prediction models overestimate ASCVD risk in East Asian populations?
|
East Asians have lower baseline incidence of ASCVD |
|
Baseline risk ไม่เท่ากันในแต่ละภูมิถาค
|
โมเดลตะวันตกถูกกำหนดให้มีความเสี่ยงมากกว่าโมเดลเอเชียตะวันออก หากเอาสมการเดียวกันกับwestern อาจเกิดการ overestimate
|
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?
|
It was calibrated using national data representing diverse regions in China |
|
มันถูกพัฒนาและปรับ จากข้อมูลประชากรจีนทั่วประเทศ มีความแม่นยำ ครอบคลุมมากกว่า
|
Epidemiology และ Biostatistics
: Population-specific calibration
|
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?
|
Genetic ancestry markers |
|
Genetic ancestry markersยังไม่ใช่ตัวแปรมาตรฐานใน clinical models
และใช้ในงานวิจัยเชิงลึกมากกว่า จึงยังไม่ถูกนำมาใช้แพร่หลายใน clinical risk calculator
|
โมเดลความเสี่ยงของAtherosclerotic Cardiovascular Diseaseมักอยู่ในรูป
Risk = f(age ,BP,cholesterol,smoking,diabetes,etc.
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
What is a major difference between the Suita Score and the Framingham Risk Score?
|
Suita Score was designed for a Japanese population using local epidemiological data |
|
Suita Score พัฒนาจากข้อมูลประชากรญี่ปุ่น ใช้ epidemiological data ของคนญี่ปุ่นจริง
Framingham Risk Score พัฒนาจากประชากรอเมริกัน (ตะวันตก)
|
ความเสี่ยงของ
Atherosclerotic Cardiovascular Disease
แตกต่างกันตาม:
เชื้อชาติ
lifestyle
environment
|
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?
|
They improve accuracy and reduce overestimation of risk |
|
โมเดลตะวันตก มัก overestimate risk ในคนเอเชียเพราะ baseline risk ของประชากรไม่เท่ากัน
|
ถ้าใช้โมเดลผิด population → bias
ถ้าใช้โมเดลเฉพาะพื้นที่ → accuracy เพิ่ม
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Which factor was highlighted as influencing ASCVD risk differences among East Asian countries?
|
Cultural and dietary variations, such as salt intake and lifestyle |
|
Cultural and dietary variations ตรงที่สุด เพราะ
อาหาร (เช่น การบริโภคเกลือสูง ในบางประเทศ)lifestyle (การออกกำลังกาย, การสูบบุหรี่, รูปแบบชีวิตเมือง vs ชนบท)
|
Risk factor variation across populations
ความเสี่ยงของ
Atherosclerotic Cardiovascular Disease
ขึ้นกับ:
diet
lifestyle
environment
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
What future direction does the article suggest for improving ASCVD risk prediction?
|
Using multimodal AI-based prediction integrated with regional data |
|
ต้องใช้ model ที่เหมาะกับ population
และพัฒนาให้ ฉลาดขึ้นด้วย AI
|
Population-specific modeling
ใช้ข้อมูลเฉพาะ region เพื่อเพิ่ม accuracy
|
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?
|
DDPMs iteratively remove noise through reverse diffusion rather than using encoder–decoder or discriminator structures. |
|
DDPM ≠ encoder-decoder และ ≠ adversarial
แต่ใช้ “reverse diffusion”
|
stable กว่า GAN
ภาพคุณภาพสูง แต่ “ช้า”
|
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?
|
Despite differences in age structures, Japan maintains low mortality rates in both measures, suggesting effective prevention and healthcare systems. |
|
Crude mortality rate (อัตราตายจริงในประชากร)
Age-standardized rate (ปรับอายุให้เทียบกันได้)
|
Crude rate:
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|