| 1 |
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
ในการหักของกระดูก จะมีสูตรพลังงาน ณ จุดที่กระดูกหัก คือ U = lsbB2/2y โดยที่ความยาวกระดูก = 90 cm, average surface area = 6 cm2 ค่า young modulus = 14x105 N/cm2 จงหาค่าพลังงาน
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
คำนวณค่า protein (หน่วย mg/24) ในปัสสาวะ 24 hr
Total volume = 2400 ml Urine protein = 2.7 mg/dL
|
4. 64.8 |
|
เริ่มต้นด้วยการแปลงหน่วยวัด โดยทราบว่า 1 dL = 100 mL ดังนั้น 2.7 mg/dL จะเท่ากับ 2.7 mg/100 mL
เนื่องจากเราต้องการหาค่า protein ในปัสสาวะ 24 ชั่วโมงที่มีปริมาณรวมเท่ากับ 2400 mL จะต้องนำปริมาณ protein ที่เกิดขึ้นใน 1 mL ของปัสสาวะมาคูณด้วยปริมาณปัสสาวะรวมทั้งหมด ดังนั้นเราสามารถคำนวณได้ตามนี้
1 mL ของปัสสาวะมี protein = (2.7 mg/100 mL) / 100 = 0.027 mg/mL
จำนวน protein ใน 2400 mL ของปัสสาวะ = 0.027 mg/mL × 2400 mL = 64.8 mg
ดังนั้น ค่า protein ในปัสสาวะ 24 ชั่วโมง (24 hr urine protein) คือ 64.8 mg |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
ข้อใดไม่ใช่ประโยชน์ของ Nanoparticle
|
3. Conduct electricity |
|
Conduct Electricity เพราะ nanoparticle เป็นขนาดเล็กมากและมีพื้นที่ผิวเป็นพื้นผิวขนาดเล็ก จึงไม่สามารถนำไปใช้ในการนำไฟฟ้าได้เหมือนวัสดุที่มีขนาดใหญ่ขึ้น |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
Microfluidic system มีข้อจำกัดใด
|
2. Protein activity |
|
Microfluidic system มีข้อจำกัดในการใช้ในการวิเคราะห์โรคเพราะว่าปัจจัยมากมายที่สามารถมีผลต่อผลลัพธ์ได้ เช่น การสะกดDNA ของตัวอย่าง การแยกตัวอย่างออกจากเลือด การสะกดปริมาณและความเข้มข้นของสารต่างๆในตัวอย่าง เป็นต้น สำหรับ protein activity ข้อจำกัดอาจเกี่ยวกับการสังเคราะห์อนุภาคของโปรตีน และข้อจำกัดของการวัดเป็นเวลาจำกัดที่มีผลต่อความแม่นยำของผลลัพธ์ ในการใช้ microfluidic system |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
ค่า Modulus Young ของโปรตีน บอกอะไรเราได้ ยกเว้นข้อใด
|
2. Protein activity |
|
ค่า Modulus Young ของโปรตีนบอกถึงความยืดหยุ่น (elasticity) ของโมเลกุลโปรตีน โดยบอกถึงความต้านทานที่โมเลกุลสามารถทนต่อการเปลี่ยนแปลงของความยาวหรือขนาดได้ ซึ่งมีความสัมพันธ์กับแรงตึงที่ใช้กับโปรตีน การเปลี่ยนแปลงของค่า Modulus Young สามารถบอกถึงความเปลี่ยนแปลงในคุณสมบัติทางกลของโมเลกุลโปรตีน เช่น ความยืดหยุ่น ความต้านทาน หรือความแข็งแกร่งของโมเลกุลโปรตีน แต่ไม่สามารถบอกถึงกิจกรรมของโปรตีนได้ |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
หากสูตรของการหาความยาวของ Protein helix คือ lengthA = (4x10^8)/660 x A
จงหาความยาวของ Protein A หากมี 2.6 A°
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
การมี membrane ที่เป็น fluid- like bilayer structure protein จะเกิดการเรียนงตัวอย่างไร
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
ข้อใดไม่ใช่ประโยชน์ของความหนืด
|
5. พัฒนายาน้ำ |
|
พัฒนายาน้ำ ไม่ใช่ประโยชน์ของความหนืด โดยทั่วไปความหนืดใช้สำหรับการวัดความแข็งแรงและความตึงของเนื้อเยื่อหรือโครงสร้างต่างๆ แต่ไม่เกี่ยวข้องกับการพัฒนายาน้ำ |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
นักวิ่งใช้กฎ Newton's ข้อใดในการเริ่มวิ่ง
|
1. ข้อ 1 |
|
นักวิ่งใช้กฎ Newton's ข้อที่ 1 ในการเริ่มวิ่ง เพราะกฎนี้กล่าวว่าวัตถุจะไม่เคลื่อนที่หรือเคลื่อนที่ด้วยความเร็วคงที่ จนกว่าจะมีแรงที่ทำให้เปลี่ยนสถานะการเคลื่อนไหว ดังนั้น เมื่อนักวิ่งเริ่มวิ่ง ต้องใช้แรงเพื่อเริ่มเคลื่อนที่ และต้องสร้างความเร็วเพิ่มขึ้นเรื่อยๆ จากขาของตนเองในการผลักตัวไปข้างหน้า |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
จากบทความนี้
Purpose: Breast cancer is a prominent cancer type with high mortality. Early detection of breast cancer could serve to improve clinical outcomes. Ultrasonography is a digital imaging technique used to differentiate benign and malignant tumors. Several artificial intelligence techniques have been suggested in the literature for breast cancer detection using breast ultrasonography (BUS). Nowadays, particularly deep learning methods have been applied to biomedical images to achieve high classification performances.
Patients and Methods: This work presents a new deep feature generation technique for breast cancer detection using BUS images. The widely known 16 pre-trained CNN models have been used in this framework as feature generators. In the feature generation phase, the used input image is divided into rows and columns, and these deep feature generators (pre-trained models) have applied to each row and column. Therefore, this method is called a grid-based deep feature generator. The proposed grid-based deep feature generator can calculate the error value of each deep feature generator, and then it selects the best three feature vectors as a final feature vector. In the feature selection phase, iterative neighborhood component analysis (INCA) choose 980 features as an optimal number of features. Finally, These features are classified by using a deep neural network (DNN).
Results: The developed grid-based deep feature generation-based image classification model reached 97.18% classification accuracy on the ultrasonic images for three classes, namely malignant, benign, and normal.
Conclusion: The findings obviously denoted that the proposed grid deep feature generator and INCA-based feature selection model successfully classified breast ultrasonic images.
Keywords: deep classification framework, deep neural network, grid-based deep feature generator, iterative feature selection, breast ultrasonography (BUS)
จงสรุปว่าบทความต้องการใช้ Ultrasonic imaging ในการทำสิ่งใดและได้ผลอย่างไร
|
ต้องการใช้ภาพ Ultrasonography เพื่อช่วยในการตรวจวินิจฉัยมะเร็งเต้านม โดยใช้เทคนิคการเรียนรู้เชิงลึก (deep learning) เพื่อวิเคราะห์และจำแนกภาพ Ultrasonography ว่าเป็นเนื้องอกที่เป็นมะเร็งหรือไม่ โดยใช้ Deep Neural Network ในการจำแนก ซึ่งผลการทดลองแสดงว่า grid-based deep feature generator และ iterative feature selection สามารถจัดการกับภาพ Ultrasonography ในการตรวจวินิจฉัยมะเร็งเต้านมได้อย่างมีประสิทธิภาพ ดังนั้นภาพ Ultrasonography ใช้เพื่อการตรวจวินิจฉัยมะเร็งเต้านม และ deep learning เป็นเครื่องมือที่ช่วยวิเคราะห์ภาพ Ultrasonography ได้อย่างมีประสิทธิภาพสูง ๆ |
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
Abstract
In this global pandemic situation of coronavirus disease (COVID-19), it is of foremost priority to look up efficient and faster diagnosis methods for reducing the transmission rate of the virus severe acute respiratory syndrome coronavirus2 (SARS-CoV-2), Recent research has indicated that radio-logical images carry essential information about the COVID-19 virus. Therefore, artificial intelligence (AI) assisted automated detection of lung infections may serve as a potential diagnostic tool. It can be augmented with conventional medical tests for tackling COVID-19. In this paper, we propose a new method for detecting COVID-19 and pneumonia using chest X-ray images. The proposed method can be described as a three-step process. The first step includes the segmentation of the raw X-ray images using the conditional generative adversarial network (C-GAN) for obtaining the lung images. In the second step, we feed the segmented lung images into a novel pipeline combining key points extraction methods and trained deep neural networks (DNN) for extraction of discriminatory features. Several machine learning (ML) models are employed to classify COVID-19, pneumonia, and normal lung images in the final step. A comparative analysis of the classification performance is carried out among the different proposed architectures combining DNNs, key point extraction methods, and ML models. We have achieved the highest testing classification accuracy of 96.6% using the VGG-19 model associated with the binary robust invariant scalable key-points (BRISK) algorithm. The proposed method can be efficiently used for screening of COVID-19 infected patients.
อยากทราบว่าบทความนี้พูดอะไรถึงการประยุกต์ใช้ x-ray imaging
|
บทความนี้พูดถึงการใช้ภาพ X-ray ในการวินิจฉัย COVID-19 และการตรวจวินิจฉัยโรคปอดอื่น ๆ โดยใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) เพื่อช่วยตรวจวินิจฉัยโรคโดยอัตโนมัติ โดยวิธีการที่นำเสนอนั้นเป็นกระบวนการ 3 ขั้นตอน โดยขั้นตอนแรกคือการแยกภาพ X-ray เพื่อให้ได้ภาพปอดเท่านั้น แล้วใช้เทคโนโลยี C-GAN ในการทำ segmentation ของภาพ ในขั้นตอนที่สอง นำภาพปอดที่ได้จากขั้นตอนแรกมาใช้กับแบบจำลอง DNN ที่ได้ถูกสร้างขึ้นมาโดยใช้เทคนิคการแยกตัวชี้วัด (key points) เพื่อสกัดลักษณะที่สามารถแยกประเภทโรคได้ ในขั้นตอนสุดท้ายจะนำภาพปอดที่ได้แยกแล้วมาใช้กับแบบจำลอง Machine Learning หลายๆ รูปแบบเพื่อทำการแยกประเภทของโรค โดยผลการทดสอบแสดงว่าวิธีการที่นำเสนอมีประสิทธิภาพในการจำแนกโรค COVID-19 และโรคปอดอื่นๆ โดยมีความแม่นยำในการจำแนกถึง 96.6% ซึ่งมีศักย์สำคัญในการใช้งานสำหรับการคัดกรองผู้ติดเชื้อ COVID-19 |
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
ให้นักเรียน set up การทดลองด้านมะเร็ง โดยใช้ Fluorescence ในการทดลอง
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
ให้นักเรียนยกตัวอย่างการใช้ physics ใน pathology (พยาธิวิทยา)
|
การใช้เทคนิคการประมวลผลภาพและวิทยาศาสตร์วัสดุ เช่นการใช้ X-ray fluorescence spectroscopy (XRF) เพื่อวิเคราะห์เนื้อเยื่อที่ถูกตัดออกมาจากผู้ป่วยที่ต้องผ่าตัด ซึ่งจะช่วยในการตรวจสอบสารอาหารและองค์ประกอบอื่นๆ ที่อาจเป็นส่วนประกอบของเนื้อเยื่อโรคต่างๆ และช่วยในการวินิจฉัยโรคได้มากขึ้น
นอกจากนี้ยังมีการใช้เทคโนโลยีการวัดความเจ็บปวด (Pain Measurement) โดยใช้หลักการ physics ในการวัดค่าฟิสิกส์เชิงปริมาณ เช่น การวัดแรงกดที่มีอยู่ในระบบประสาทและเนื้อเยื่อต่างๆ ที่เกี่ยวข้องกับการเจ็บปวด การวัดค่าอุณหภูมิในตำแหน่งที่เกิดเจ็บปวด การวัดความเครียดของผู้ป่วย |
|
การใช้ physics ใน pathology (พยาธิวิทยา) มีหลายเชิงมากๆ โดยเฉพาะในการวิเคราะห์ภาพการแพร่กระจายของโรคในร่างกายของมนุษย์ ตัวอย่างเช่นการใช้เทคโนโลยีการสแกนด้วยรังสี X-ray, CT scan, MRI เพื่อตรวจวินิจฉัยโรค นอกจากนี้ยังมีการใช้ physics ในการสกัดข้อมูลจากภาพการแพร่กระจายโดยใช้เทคนิคการประมวลผลภาพ (image processing) เพื่อช่วยในการตรวจวินิจฉัยโรคต่างๆ |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
จงยกตัวอย่าง ultrasonic therapy ในการรักษา bacteria
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
Vibrational medicine มีผลกับ bone health อย่างไร
|
|
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
จงอธิบายการใช้ laser ในการรักษาโรค Rheumatoid
|
ในการรักษาโรค Rheumatoid ด้วยเลเซอร์ จะใช้เลเซอร์ชนิด Low-level laser therapy (LLLT) หรือเลเซอร์ระดับต่ำ ซึ่งมีคลื่นยาวในช่วง 600-1000 นาโนเมตร ซึ่งเป็นช่วงคลื่นที่สามารถซึมผ่านเนื้อเยื่อได้ง่าย การใช้ LLLT จะมีการกระตุ้นเซลล์เพื่อส่งกล้ามเนื้อเต้านมมาช่วยฟื้นฟูเนื้อเยื่อที่ถูกทำลายไปด้วยโรค Rheumatoid และลดการอักเสบและอาการปวดอักเสบ ซึ่งจะช่วยเพิ่มประสิทธิภาพของการรักษาอย่างรวดเร็วขึ้น |
|
การใช้เลเซอร์ในการรักษาโรค Rheumatoid ยังไม่เป็นวิธีการรักษาหลักๆ แต่มีการศึกษาและทดลองใช้เลเซอร์เพื่อเพิ่มประสิทธิภาพของการรักษาโรค Rheumatoid ร่วมกับการใช้ยาและฟิสิกส์เทอราปี ซึ่งเป็นวิธีการรักษาหลักๆ |
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
ให้นักเรียนตั้ง Experiment ใหม่ขึ้นมาที่ใช้หลักการทาง Physics ในการรักษาโรค COVID-19 โดยที่ข้อ 19 ให้นักเรียนอธิบายการทดลองและข้อ 20 ให้นักเรียนวาดภาพจำลองการทดลอง (แนบส่งเป็นไฟล์หลังส่งข้อสอบ)
|
การใช้เทคโนโลยีเลเซอร์ในการกำจัดเชื้อไวรัส COVID-19
การใช้เทคโนโลยีเลเซอร์เพื่อกำจัดเชื้อไวรัส COVID-19 อาจเป็นวิธีที่มีประสิทธิภาพในการรักษาโรคนี้ หลักการที่ใช้ในการรักษานี้คือการใช้เลเซอร์ส่องทางเทคนิคเพื่อยับยั้งการเจริญเติบโตของเชื้อไวรัส COVID-19 ในร่างกาย การส่องทางเทคนิคเลเซอร์สามารถยับยั้งการเจริญเติบโตของเชื้อไวรัสได้โดยจำลองความเป็นอนุภาคของเชื้อไวรัส แล้วใช้เลเซอร์เพื่อทำลายเชื้อไวรัสนี้ การทดลองสามารถทำได้โดยใช้ตัวอย่างเช่นเลือดหรือสารน้ำเกลือที่ปนเปื้อนเชื้อไวรัส COVID-19 ในห้องปฏิบัติการ แล้วใช้เลเซอร์ส่องทางเทคนิคเพื่อยับยั้งการเจริญเติบโตของเชื้อไวรัส |
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
ให้นักเรียนตั้ง Experiment ใหม่ขึ้นมาที่ใช้หลักการทาง Physics ในการรักษาโรค COVID-19 โดยที่ข้อ 19 ให้นักเรียนอธิบายการทดลองและข้อ 20 ให้นักเรียนวาดภาพจำลองการทดลอง (แนบส่งเป็นไฟล์หลังส่งข้อสอบ)
|
การใช้เทคโนโลยีเลเซอร์ในการกำจัดเชื้อไวรัส COVID-19
การใช้เทคโนโลยีเลเซอร์เพื่อกำจัดเชื้อไวรัส COVID-19 อาจเป็นวิธีที่มีประสิทธิภาพในการรักษาโรคนี้ หลักการที่ใช้ในการรักษานี้คือการใช้เลเซอร์ส่องทางเทคนิคเพื่อยับยั้งการเจริญเติบโตของเชื้อไวรัส COVID-19 ในร่างกาย การส่องทางเทคนิคเลเซอร์สามารถยับยั้งการเจริญเติบโตของเชื้อไวรัสได้โดยจำลองความเป็นอนุภาคของเชื้อไวรัส แล้วใช้เลเซอร์เพื่อทำลายเชื้อไวรัสนี้ การทดลองสามารถทำได้โดยใช้ตัวอย่างเช่นเลือดหรือสารน้ำเกลือที่ปนเปื้อนเชื้อไวรัส COVID-19 ในห้องปฏิบัติการ แล้วใช้เลเซอร์ส่องทางเทคนิคเพื่อยับยั้งการเจริญเติบโตของเชื้อไวรัส |
|
|
|
10 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|