QCM : Intelligence artificielle en oncologie (10 questions)

Questions et réponses du QCM

1. Quelle relation décrit correctement l’intelligence artificielle et le Machine Learning ?

Le Deep Learning est une catégorie plus large que l’intelligence artificielle, dont le Machine Learning constitue une branche.
Le Machine Learning et l’intelligence artificielle désignent deux domaines équivalents, sans relation d’inclusion.
Le Machine Learning est une sous-catégorie de l’intelligence artificielle, qui comprend aussi les réseaux de neurones et le Deep Learning.
L’intelligence artificielle est une sous-catégorie du Machine Learning, qui comprend aussi les réseaux de neurones et le Deep Learning.

Le Machine Learning est une sous-catégorie de l’intelligence artificielle, qui comprend aussi les réseaux de neurones et le Deep Learning.

Explication

Le Machine Learning appartient au domaine plus vaste de l’intelligence artificielle, et comprend notamment les réseaux de neurones et le Deep Learning. Dire que le Machine Learning est synonyme de l’intelligence artificielle confond le domaine général avec l’une de ses sous-catégories.

2. Un modèle entraîné est appliqué à des données nouvelles qui n’ont pas servi à son apprentissage : quelle étape est réalisée ?

L’entraînement, qui ajuste les paramètres du modèle à partir des données.
L’inférence, qui applique le modèle appris à de nouvelles données.
L’étiquetage, qui associe des annotations humaines aux données d’entrée.
La validation, qui transforme les données nouvelles en paramètres du modèle.

L’inférence, qui applique le modèle appris à de nouvelles données.

Explication

L’inférence consiste à appliquer un modèle déjà produit à de nouvelles données jamais vues. L’entraînement, contrairement à l’inférence, traite des données pour produire le modèle et ses paramètres.

3. Pour constituer un ensemble de données hospitalières en oncologie, quelles sources sont pertinentes ?

Des données tabulaires et des comptes rendus en texte libre, complétés par des images radiologiques mais sans données génétiques.
Des comptes rendus en texte libre et des données génétiques, complétés par des images anatomopathologiques mais sans données tabulaires.
Des données tabulaires, des comptes rendus en texte libre, des images radiologiques et anatomopathologiques, ainsi que des données génétiques.
Des données tabulaires, des images radiologiques et des données génétiques, en excluant les images anatomopathologiques et les textes libres.

Des données tabulaires, des comptes rendus en texte libre, des images radiologiques et anatomopathologiques, ainsi que des données génétiques.

Explication

Les données oncologiques hospitalières peuvent réunir des formats tabulaires, des textes libres, des images radiologiques et anatomopathologiques, ainsi que des données génétiques. Les propositions qui excluent l’une de ces catégories ne couvrent pas l’ensemble des types de données concernés.

4. Quel énoncé décrit le mieux la maturité actuelle des usages de l’IA en oncologie hospitalière ?

L’analyse de scanners et la découverte de molécules sont des usages de routine, tandis que le pronostic et le choix des traitements sont émergents.
L’analyse de scanners aide déjà les radiologues en routine, tandis que le pronostic et le choix des traitements sont en recherche active et que la découverte de molécules reste émergente.
Le pronostic et le choix des traitements sont déjà des usages de routine, tandis que l’analyse de scanners et la découverte de molécules restent en recherche active.
La découverte de molécules est déjà courante en médecine, tandis que l’analyse de scanners et le choix des traitements demeurent des pistes émergentes.

L’analyse de scanners aide déjà les radiologues en routine, tandis que le pronostic et le choix des traitements sont en recherche active et que la découverte de molécules reste émergente.

Explication

L’IA est déjà utilisée en routine pour aider à analyser des scanners, alors que le pronostic et le choix des traitements restent en recherche active et que la découverte de molécules demeure émergente. Présenter la découverte de molécules comme un usage courant surestime sa maturité clinique.

5. Dans le système de Trial Matching, quel rôle est attribué au modèle Qwen après la présélection des essais par Digitalis ?

Estimer les probabilités de toxicité afin de prévoir les sorties précoces des essais.
Comparer les résultats des patients aux marqueurs d’imagerie pour évaluer leur réponse au traitement.
Générer une liste de patients virtuels destinée à remplacer les dossiers médicaux réels.
Analyser finement les comptes rendus et les critères d’éligibilité des essais présélectionnés.

Analyser finement les comptes rendus et les critères d’éligibilité des essais présélectionnés.

Explication

Qwen examine en détail les comptes rendus et les critères des essais que Digitalis a réduits à une dizaine ou une vingtaine. La prédiction des sorties précoces relève d’un autre modèle et ne constitue pas le rôle décrit pour Qwen.

6. Combien de profils complets de patients virtuels artificiels l’équipe a-t-elle créés pour disposer d’une base d’évaluation commune sans partager de données médicales réelles ?

157 profils
70 profils
40 profils
100 profils

70 profils

Explication

L’équipe a créé 70 profils virtuels complets afin de fournir une base d’évaluation commune tout en protégeant la confidentialité des données réelles. Les 157 patients correspondent à un test d’outils de sélection d’essais cliniques, et non à ces profils artificiels.

7. À quoi sert la calibration d’un modèle en contexte clinique ?

À mesurer la proportion de prédictions correctes sans tenir compte de la fréquence des classes.
À expliquer la contribution de chaque mot à une prédiction particulière du modèle.
À convertir ses scores en intervalles de confiance garantissant une couverture de 95 %.
À faire correspondre ses scores à des probabilités réelles afin de rendre leur interprétation plus fiable.

À faire correspondre ses scores à des probabilités réelles afin de rendre leur interprétation plus fiable.

Explication

La calibration vise à aligner les scores du modèle, compris entre 0 et 1, sur des probabilités réelles, car ses sorties peuvent être mal calibrées. Les intervalles de confiance à 95 % relèvent des prédictions conformes, qui décrivent plutôt l’incertitude.

8. En quelle année les données de l’ADEME citées pour mesurer l’empreinte carbone du numérique en France ont-elles été publiées ?

En 2022
En 2026
En 2025
En 2019

En 2022

Explication

Les chiffres indiquant que le numérique représentait 4,4 % de l’empreinte carbone française proviennent des données ADEME 2022. L’année 2025 concerne les données sur la transparence énergétique des articles scientifiques sur l’IA, et non ces chiffres de l’ADEME.

9. Quelle différence distingue l’apprentissage supervisé de l’apprentissage non supervisé quant aux données d’entraînement ?

Les données supervisées servent à l’inférence, tandis que les données non supervisées servent à l’entraînement.
Les données supervisées contiennent moins de paramètres, tandis que les données non supervisées en contiennent davantage.
Les données supervisées sont étiquetées par un humain, tandis que les données non supervisées ne le sont pas.
Les données supervisées sont toujours numériques, tandis que les données non supervisées sont des textes libres.

Les données supervisées sont étiquetées par un humain, tandis que les données non supervisées ne le sont pas.

Explication

Dans l’apprentissage supervisé, un humain étiquette les données d’entraînement, contrairement à l’apprentissage non supervisé. La distinction ne porte pas sur le type de données, qui peuvent être numériques ou autres, mais sur la présence d’étiquettes.

10. Pourquoi les comptes rendus de consultation sont-ils difficiles à exploiter automatiquement malgré leur richesse en informations cliniques ?

Ils sont non structurés et leur présentation varie selon le médecin ou le service.
Ils contiennent peu d’informations cliniques et sont rarement disponibles en format numérique.
Ils sont structurés de manière uniforme, mais omettent les résultats d’imagerie médicale.
Ils regroupent surtout des données génétiques, difficiles à associer aux observations cliniques.

Ils sont non structurés et leur présentation varie selon le médecin ou le service.

Explication

Leur format en texte libre et les variations entre médecins ou services compliquent leur traitement automatique, même s’ils contiennent environ 80 % des informations cliniques. L’idée qu’ils contiennent peu d’informations est erronée : leur richesse est précisément l’un des enjeux de leur exploitation.

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Intelligence artificielle en oncologie.

Quel domaine comprend le Machine Learning, les réseaux de neurones et le Deep Learning ?

L’intelligence artificielle.

Sur quoi repose le Deep Learning ?

Sur des réseaux de neurones à grande échelle, dotés de nombreux paramètres et entraînés sur de nombreuses données.

Quelles formes de données hospitalières sont utilisées en oncologie ?

Des tableaux, des comptes rendus libres, des images radiologiques et anatomopathologiques, ainsi que des données génétiques.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Intelligence artificielle en oncologie.

Voir la fiche →

Cours similaires

Topologie et dynamique des biomembranes

Syndrome inflammatoire biologique

Vulnérabilité et résilience

Parasitologie médicale générale

Maladies infectieuses ORL

Arthrite septique sur articulation native

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM