人工智能是一（yī）种高度复（fù）杂的技术（shù），一（yī）旦实施，就需（xū）要（yào）进行持续的监督，以确保（bǎo）其达到预期的效果（guǒ）并确保其（qí）以最佳水平运行。

使用AI技术的医疗保健提供者（zhě）组（zǔ）织还需要确保自己获得了最大的收（shōu）益。换句话（huà）说，他们需要（yào）优化AI，以便技术（shù）能够满足其组织的（de）特定需（xū）求。我（wǒ）们与六位人工智（zhì）能（néng）专家（jiā）进行了交谈（tán），每（měi）位专家（jiā）在医疗保健部（bù）署方面都有丰（fēng）富的经验，他们就CIO和其他（tā）卫生IT工作者如何优化其AI系统和方法以最佳地为其（qí）提供（gòng）者组（zǔ）织提供最佳建（jiàn）议。

人工（gōng）智（zhì）能（néng）医学图（tú）像解释技术供应商Nuance Communications的首席（xí）技术（shù）官Joe Petro说，优化（huà）AI取决于对（duì）AI的能（néng）力的理解（jiě）并（bìng）将其应用于（yú）正确（què）的问题（tí）。

他说（shuō）：“目前有很多炒作，但不幸的是，这些说法有（yǒu）些（xiē）荒谬。”“为（wéi）了优化人（rén）工智能，我（wǒ）们都需要了解：我们正在尝试解决（jué）的问题;人工智能如何解（jiě）决问题（tí）;AI是否可以增（zēng）强现有功（gōng）能?而（ér）且（qiě），当AI没有（yǒu）帮助时。”例如，“可追溯性”重要吗?人工智能有一（yī）个（gè）众（zhòng）所（suǒ）周知（zhī）的“黑匣（xiá）子限制”-导致神（shén）经网络做出决（jué）定或（huò）结论的每个事实或证（zhèng）据并不总是众所（suǒ）周知的。

Petro解释说：“有（yǒu）时候（hòu）不可能追溯到导致（zhì）神经网络得出结论的面包屑（xiè）踪迹。”“因此，如果可追溯（sù）性是解决方案的要求，那么您可能需要（yào）撤（chè）退到更传（chuán）统的计算方法，这（zhè）并不总是（shì）一件坏（huài）事（shì）。”该（gāi）问（wèn）题是否适（shì）合AI?此（cǐ）外（wài），对于AI来说，问题（tí）是否（fǒu）表现良好且条件（jiàn）适（shì）当?他说（shuō），例如，在解决问题的方法中是否存在重（chóng）复（fù）的，没有（yǒu）广泛（fàn）变（biàn）化且本质上是确定性的清晰模式。

他（tā）举例说：“例（lì）如，如果您将问题交给（gěi）一系列专（zhuān）家，他们是否都会得出相同的答案?”“如果（guǒ）给人类（lèi）相同的输（shū）入（rù）而（ér）不同意答案，那么人工智能可（kě）能无法理解数据，而神经（jīng）网（wǎng）络可能会提供与某些专家的观点不一致的结果。请放心（xīn），AI会找到一个模式–问题是模式是否可重复（fù）且一致。”

因此，在AI的当今（jīn）世界中，有意地狭义地定义了AI解决的问（wèn）题（tí），尤其是在医（yī）疗保健领域，从而提高了AI的（de）准确性（xìng）和适（shì）用性。他建（jiàn）议（yì），选择（zé）正确的问题来解决并缩小问题的（de）范围（wéi），是取得重大成（chéng）果的关键。他（tā）补充说：“此外（wài），培（péi）训数据（jù）必须易于获得，以创建可靠的AI模型并产生（shēng）一致的验（yàn）证（zhèng）结果（guǒ）。”不幸（xìng）的是，有（yǒu）时没有可用的数据来训练（liàn）神经网（wǎng）络。例如，在某些情况（kuàng）下，AI需要标记和注（zhù）释（shì）数（shù）据。这（zhè）种标记有（yǒu）时不可用。”

放射科医（yī）生读取图像时，他们（men）可能（néng）会或可能不会准确地指（zhǐ）出诊断在图像（xiàng）中的哪个位置。没有数据标记（jì）使培训有时变得不可能。当CDI专家或护理协调员通读整个案例时，他们很（hěn）可（kě）能不会将（jiāng）提（tí）示查询的所（suǒ）有证据都反馈给医（yī）生。

Petro再说：“同样，没有数（shù）据标记有时会使培训变得不可能。”因此，有人需（xū）要返（fǎn）回数据，并可能添（tiān）加标记和注释以训（xùn）练初始模型。标记并非（fēi）总是必需（xū）的，但是我们（men）需要认识（shí）到，所需的数据（jù）并不总是可（kě）用，并且（qiě）可能需要昂贵的管理费用。事实是，数（shù）据本质上是“新软件（jiàn）”。没（méi）有正确的数据，人工智能将无法产生（shēng）想要的结果。”