（文章來源：教育新聞網）

人工智能是一種高度復雜的技術，一旦實施，就需要進行持續的監督，以確保其達到預期的效果并確保其以最佳水平運行。

使用AI技術的醫療保健提供者組織還需要確保自己獲得了最大的收益。換句話說，他們需要優化AI，以便技術能夠滿足其組織的特定需求。我們與六位人工智能專家進行了交談，每位專家在醫療保健部署方面都有豐富的經驗，他們就CIO和其他衛生IT工作者如何優化其AI系統和方法以最佳地為其提供者組織提供最佳建議。

人工智能醫學圖像解釋技術供應商Nuance Communications的首席技術官Joe Petro說，優化AI取決于對AI的能力的理解并將其應用于正確的問題。

他說：“目前有很多炒作，但不幸的是，這些說法有些荒謬。”“為了優化人工智能，我們都需要了解：我們正在嘗試解決的問題;人工智能如何解決問題;AI是否可以增強現有功能?而且，當AI沒有幫助時。”例如，“可追溯性”重要嗎?人工智能有一個眾所周知的“黑匣子限制”-導致神經網絡做出決定或結論的每個事實或證據并不總是眾所周知的。

Petro解釋說：“有時候不可能追溯到導致神經網絡得出結論的面包屑蹤跡。”“因此，如果可追溯性是解決方案的要求，那么您可能需要撤退到更傳統的計算方法，這并不總是一件壞事。”該問題是否適合AI?此外，對于AI來說，問題是否表現良好且條件適當?他說，例如，在解決問題的方法中是否存在重復的，沒有廣泛變化且本質上是確定性的清晰模式。

他舉例說：“例如，如果您將問題交給一系列專家，他們是否都會得出相同的答案?”“如果給人類相同的輸入而不同意答案，那么人工智能可能無法理解數據，而神經網絡可能會提供與某些專家的觀點不一致的結果。請放心，AI會找到一個模式–問題是模式是否可重復且一致。”

因此，在AI的當今世界中，有意地狹義地定義了AI解決的問題，尤其是在醫療保健領域，從而提高了AI的準確性和適用性。他建議，選擇正確的問題來解決并縮小問題的范圍，是取得重大成果的關鍵。他補充說：“此外，培訓數據必須易于獲得，以創建可靠的AI模型并產生一致的驗證結果。”不幸的是，有時沒有可用的數據來訓練神經網絡。例如，在某些情況下，AI需要標記和注釋數據。這種標記有時不可用。”

放射科醫生讀取圖像時，他們可能會或可能不會準確地指出診斷在圖像中的哪個位置。沒有數據標記使培訓有時變得不可能。當CDI專家或護理協調員通讀整個案例時，他們很可能不會將提示查詢的所有證據都反饋給醫生。

Petro再說：“同樣，沒有數據標記有時會使培訓變得不可能。”因此，有人需要返回數據，并可能添加標記和注釋以訓練初始模型。標記并非總是必需的，但是我們需要認識到，所需的數據并不總是可用，并且可能需要昂貴的管理費用。事實是，數據本質上是“新軟件”。沒有正確的數據，人工智能將無法產生想要的結果。”

（責任編輯：fqj）