人工智能是（shì）一种（zhǒng）高度复（fù）杂的（de）技术，一旦实施（shī），就需（xū）要进行持续的监（jiān）督，以确保其达到预期的效果并确（què）保其（qí）以最佳水平运（yùn）行。

使用AI技术的医（yī）疗保健（jiàn）提供者组织（zhī）还需（xū）要（yào）确保自（zì）己获得了最大的收益。换句话说（shuō），他们需要优（yōu）化AI，以便技术（shù）能够满（mǎn）足其组织（zhī）的特定需求。我们与六位人工智能专家进行了交谈，每位（wèi）专家在（zài）医疗保健部署（shǔ）方（fāng）面都有（yǒu）丰富的（de）经验，他们就CIO和其他卫生IT工作者（zhě）如何优化（huà）其AI系统和方法以最佳（jiā）地为其提供者组织提供最佳建议（yì）。

人工智能医学图像解（jiě）释技术供应商Nuance Communications的首席技术官Joe Petro说，优化AI取（qǔ）决于对AI的能力的（de）理解并将其应用于（yú）正确的问题。

他说：“目前有很多炒作，但（dàn）不幸的是，这些（xiē）说法有些（xiē）荒谬。”“为了优化人工智能，我们都需要了解：我们正在尝试解（jiě）决的问题;人工（gōng）智能（néng）如何解决问题（tí）;AI是（shì）否可以增强现（xiàn）有功能?而且，当AI没（méi）有帮（bāng）助（zhù）时。”例（lì）如（rú），“可追（zhuī）溯性（xìng）”重要吗?人工智能有一（yī）个（gè）众所周知的（de）“黑匣子（zǐ）限制”-导致神经网络做出决定或结论的（de）每个事实或证据（jù）并不总是众所周知的。

Petro解（jiě）释（shì）说：“有时候不可（kě）能追溯到导致神经（jīng）网络得出结（jié）论的面包屑（xiè）踪迹。”“因此，如果可追（zhuī）溯（sù）性是（shì）解决方案的（de）要（yào）求，那么您可能需要撤（chè）退（tuì）到更传统的计算（suàn）方法，这并不总是一件坏事。”该（gāi）问题是否（fǒu）适合AI?此外，对于AI来说，问题是否表现良好（hǎo）且条件适当?他说，例如，在解决问题（tí）的方法中是（shì）否（fǒu）存在重复（fù）的，没（méi）有广泛变化且本质上是确（què）定性的清晰模式。

他举（jǔ）例（lì）说：“例如，如果您将问题交给一系列专家，他们是否都会得出相同的答案?”“如果给（gěi）人类相同的（de）输入而不同意答案，那么人工（gōng）智能可能无法理（lǐ）解（jiě）数据，而神经（jīng）网络可能会提（tí）供（gòng）与某（mǒu）些专家的观点（diǎn）不一致（zhì）的结果。请放心，AI会找到一个模式（shì）–问（wèn）题是模式是否（fǒu）可（kě）重复且一致。”

因此（cǐ），在AI的（de）当今世界（jiè）中，有意地（dì）狭义地定义了AI解决的问题，尤其（qí）是在（zài）医（yī）疗（liáo）保健领域，从而提高了（le）AI的准确性和适用性。他建议，选择正确的问题来解决并缩小问题的（de）范（fàn）围，是（shì）取得重（chóng）大成果的关键。他补充说：“此外，培训（xùn）数（shù）据（jù）必须（xū）易于获得，以创（chuàng）建（jiàn）可靠的（de）AI模型并产生一致的验证结果。”不幸的是，有（yǒu）时没有可（kě）用的数据来训练神经（jīng）网络。例如，在某些情况（kuàng）下，AI需（xū）要标记和注（zhù）释（shì）数据。这（zhè）种标（biāo）记有时（shí）不可（kě）用。”

放射科医生（shēng）读取（qǔ）图像时，他们可能会或可能不会准确地指出诊断在图像中的哪个位置。没（méi）有数（shù）据标记使培训有（yǒu）时变得不可能。当CDI专家或护（hù）理协调员通读整（zhěng）个案例时，他们很可能不（bú）会（huì）将提示查询的所有证据都反馈给医（yī）生。

Petro再说：“同（tóng）样，没有（yǒu）数据标记（jì）有时（shí）会使培训（xùn）变得不可能。”因（yīn）此，有人需要返回数据，并可能添加标记和注释以训练初始模型。标记并非总是必需的，但是我们（men）需要认识到，所需的数据并不总是可用（yòng），并且可能需要昂（áng）贵的管理费用。事实是，数据本质（zhì）上是“新软件”。没有正确的数据，人工（gōng）智能将无法产生想（xiǎng）要的结果。”