• Главная
• Тесты НМО
• Тест с ответами по теме «Задачи обработки естественного языка в медицине»

Тест с ответами по теме «Задачи обработки естественного языка в медицине»

Вашему вниманию представляется Тест с ответами по теме «Задачи обработки естественного языка в медицине» в рамках программы НМО: непрерывного медицинского образования для медицинских работников (врачи, медсестры и фармацевты). Тест с ответами по теме «Задачи обработки естественного языка в медицине» в рамках программы НМО: непрерывного медицинского образования для медицинского персонала высшего и среднего звена (врачи, медицинские сестры и фармацевтические работники) позволяет успешнее подготовиться к итоговой аттестации и/или понять данную тему.

• задачи
• обработки
• естественного
• языка
• медицине

---

1. В чем заключалось ключевое ограничение моделей типа word2vec, которое преодолела модель ELMo?

1) низкая скорость обучения;
2) неспособность работать с большими словарями;
3) назначение каждому слову одного вектора независимо от контекста;
4) неумение обрабатывать последовательности.

2. Верные утверждения о векторных представлениях слов включают в себя

1) Модели word2vec создают эмбеддинги, где семантически близкие слова имеют близкие векторы;
2) One-Hot Encoding учитывает семантическую близость слов;
3) Тексты из обучающей выборки нельзя разбивать на токены;
4) ELMo генерирует статические векторы, не зависящие от контекста.

3. Для чего в медицинских системах обработки естественного языка используется выделение именованных сущностей?

1) для определения эмоциональной тональности записей врача;
2) для генерации новых научных гипотез;
3) для автоматического структурирования электронных медицинских карт (ЭМК) путем поиска упоминаний болезней, лекарств и процедур;
4) для перевода медицинских текстов на другие языки.

4. Задача выделения именованных сущностей в медицинском тексте включает распознавание

1) только заболеваний и симптомов;
2) только имен пациентов и врачей;
3) различных типов сущностей, таких как заболевания, лекарства, процедуры и анатомические структуры;
4) только названий лекарств.

5. К верным утверждениям о задачах обработки естественного языка в медицине относится

1) они могут выступать в роли чат-ботов для поддержки пациентов и медицинского персонала в решении медицинских вопросов;
2) они могут использоваться для определения намерений пациента, например, запроса на лечение или назначение лекарств;
3) они полностью заменяют врача в постановке диагноза;
4) их основной задачей является проведение хирургических операций.

6. Как называется метод векторного представления слов, при котором каждому слову ставится в соответствие вектор, где только одна позиция равна 1, а остальные 0?

1) ELMo;
2) One-Hot Encoding;
3) Word2Vec;
4) TF-IDF.

7. Какая база данных является самой популярной медицинской базой знаний с более чем 36 млн. статей?

1) PubMed;
2) PubChem Compound;
3) ClinVar;
4) Archiv.org.

8. Какая из моделей предсказывает контекст по его центральному слову?

1) CNN;
2) Skip-gram;
3) CBOW (Continuous Bag of Words);
4) Word2vec.

9. Какая из моделей предсказывает центральное слово по его контексту?

1) Skip-gram;
2) BERT;
3) CBOW (Continuous Bag of Words);
4) RNN.

10. Какая из перечисленных задач обработки естественного языка отвечает за определение эмоционального состояния пациентов и медицинского персонала?

1) анализ тональности медицинских текстов;
2) распознавание медицинских терминов;
3) машинный перевод научных статей;
4) классификация документов по диагнозу.

11. Какие архитектуры совершили прорыв в обработке естественного языка в медицине?

1) сверточные нейронные сети;
2) трансформеры и большие языковые модели;
3) деревья решений;
4) рекуррентные нейронные сети.

12. Какие из перечисленных этапов входят в процесс выделения именованных сущностей?

1) токенизация;
2) обработка текста;
3) буферизация;
4) сегментация.

13. Какой принцип лежит в основе современных методов создания векторных представлений слов, таких как word2vec?

1) принцип наименьших квадратов;
2) принцип неопределенности;
3) принцип дистрибутивной семантики (наибольшей близости);
4) принцип наибольшего правдоподобия.

14. Какой стандарт регламентирует процесс подготовки систематического обзора в медицине?

1) PRISMA;
2) HIPAA;
3) ISO;
4) GDPR.

15. Какой этап подготовки систематического обзора следует после «Выявления публикаций»?

1) исключение дубликатов;
2) полнотекстовый отбор;
3) предварительный отбор по заголовкам и аннотациям;
4) финальный отбор.

16. Какую архитектуру использовала модель ELMo для создания контекстно-зависимых эмбеддингов?

1) многослойную LSTM;
2) трансформер;
3) сверточную нейронную сеть;
4) полносвязную нейронную сеть.

17. Какую серьезную проблему рекуррентной нейронной сети (RNN) помогла решить архитектура LSTM?

1) проблему исчезающих градиентов;
2) проблему локальных минимумов;
3) проблему переобучения;
4) проблему затухания сигнала.

18. Метаанализ находится на вершине иерархии доказательной медицины, потому что он

1) самый быстрый в подготовке;
2) всегда использует данные исследований на животных;
3) обобщает результаты множества высококачественных исследований;
4) основан на мнении самых авторитетных экспертов.

19. Модель YandexGPT в представленной системе EBM.Sechenov.AI использовалась в связке с

1) алгоритмом шифрования;
2) системой голосового ввода;
3) механизмом виртуальной реальности;
4) методом RAG (Retrieval-Augmented Generation).

***

29. Что такое Word Embedding?

1) название ИИ-модели;
2) вещественный вектор в пространстве с фиксированной размерностью;
3) база данных.

Специальности для предварительного и итогового тестирования:

Акушерство и гинекология, Инфекционные болезни, Кардиология, Лечебное дело, Неврология, Нейрохирургия, Общая врачебная практика (семейная медицина), Онкология, Организация здравоохранения и общественное здоровье, Педиатрия, Педиатрия (после специалитета), Пульмонология, Рентгенология, Рентгенэндоваскулярные диагностика и лечение, Терапия, Травматология и ортопедия, Фтизиатрия, Функциональная диагностика, Эндокринология.

Ответы: Файлы с выделенными ответами вы можете получить в боте. Выбираете свою специальность и открываете доступ тут: Telegrаm

Если Вы уважаете наш труд и разделяете наши ценности (помощь медицинским работникам), если Вам хочется внести свой вклад в развитие нашего проекта, поддерживайте нас донатами: вносите свой посильный вклад в общее дело пожертвованиями и финансовой помощью. Чем больше у нас будет ресурсов, тем больше мы сделаем вместе для медицинских работников (Ваших коллег).

---