人工（gōng）智（zhì）能是一种高（gāo）度复杂的技术（shù），一旦实施，就需要进行持续的监督，以确（què）保其达到预期的（de）效果并确保其（qí）以最佳水平运（yùn）行。

使（shǐ）用AI技术的（de）医（yī）疗（liáo）保健（jiàn）提供者组织还需要（yào）确保自己获得（dé）了最大的（de）收（shōu）益。换句话说，他（tā）们需要（yào）优（yōu）化AI，以便（biàn）技（jì）术能够满足其组（zǔ）织的特定需求。我们与六位人工智（zhì）能专家进行（háng）了（le）交谈，每位专家在医疗保健部署方面都有丰富的经验，他（tā）们（men）就CIO和（hé）其他卫生IT工（gōng）作者如何优（yōu）化其AI系统和方法（fǎ）以最佳地为其提供者组织提供最佳建议。

人工（gōng）智能医学图像解释技术供应商Nuance Communications的首（shǒu）席技术官Joe Petro说（shuō），优化AI取决于（yú）对AI的能力的理解并将其应用于（yú）正（zhèng）确的问题。

他（tā）说：“目前有很多炒作，但不幸的（de）是，这些（xiē）说法（fǎ）有些荒谬。”“为了优化人工（gōng）智能，我们都需（xū）要了解（jiě）：我们正在尝试解（jiě）决的问（wèn）题;人（rén）工智能如何解决问题;AI是否可以（yǐ）增强现有功能?而且，当AI没有帮助时（shí）。”例如，“可追溯性”重要吗?人工（gōng）智能有一个众所（suǒ）周知的“黑匣子限制”-导（dǎo）致（zhì）神经（jīng）网络做出决（jué）定（dìng）或（huò）结论的（de）每（měi）个事实或证据（jù）并不总是众所周知的。

Petro解释说：“有时候（hòu）不可能追溯（sù）到导致神经网（wǎng）络得出结论的（de）面包屑踪迹。”“因此，如果可追溯性（xìng）是解决方（fāng）案（àn）的要求，那么您可能需要撤退到更传统的（de）计算（suàn）方法，这并不（bú）总（zǒng）是一件坏事。”该问题是（shì）否适合AI?此外，对于AI来说，问题（tí）是否（fǒu）表现良好且条件适当?他说（shuō），例（lì）如，在解决（jué）问题的方（fāng）法中是否存在重复的，没有广泛变化且本质上是确定（dìng）性的清晰模（mó）式。

他举（jǔ）例（lì）说：“例如，如果您将问（wèn）题交（jiāo）给一系列专家，他们是否（fǒu）都会得（dé）出相同的答案?”“如果给人类相同（tóng）的输（shū）入而不同意答案，那么人工智能可能无法理解（jiě）数据，而神经网络（luò）可能会提供与某些专家的观点不一致（zhì）的结果。请放（fàng）心（xīn），AI会找到一个模式–问（wèn）题（tí）是模式是否可（kě）重（chóng）复且一致。”

因此，在AI的当今（jīn）世界中（zhōng），有意地（dì）狭义地定（dìng）义了AI解（jiě）决（jué）的（de）问（wèn）题，尤（yóu）其是（shì）在医疗保健领域，从而提高了AI的准确性和适用性。他建议，选择正确的（de）问题来解决并缩小问题（tí）的范围，是取得重大成果的关键。他补充说（shuō）：“此外，培训数据必须易于获得（dé），以创建可靠的AI模型（xíng）并（bìng）产（chǎn）生一致的（de）验证结果。”不幸的是（shì），有时没有可（kě）用（yòng）的（de）数据来训（xùn）练神经网络。例（lì）如，在某些（xiē）情况下，AI需要标（biāo）记和（hé）注（zhù）释数据。这（zhè）种标记有时不可用。”

放射科医生读取图像（xiàng）时，他们（men）可能会或可能不（bú）会准确地（dì）指（zhǐ）出诊断在图像中的哪个位置。没有数据标记使培训有时变得（dé）不（bú）可能。当CDI专（zhuān）家或护理协调员通读整个（gè）案例时（shí），他们（men）很可（kě）能不会将提示查（chá）询的所有证据都（dōu）反馈给医生。

Petro再说：“同样，没有数据标记（jì）有时会使培（péi）训变（biàn）得不（bú）可能（néng）。”因此（cǐ），有（yǒu）人需要返（fǎn）回数（shù）据，并可能添加标记和注释（shì）以训练初始模型。标记并非（fēi）总是必需的，但是我们需要认识到，所需的（de）数据并不总是可用，并且可能需要昂贵（guì）的（de）管理费用（yòng）。事实（shí）是（shì），数（shù）据本质上是“新软件”。没（méi）有正确的数据，人工智能将无法产生（shēng）想要的结果。”