教育新闻网人工智能是一种高度复杂的技术，一旦实施，就需要进行持续的监督，以确保其达到预期的效果并确保其以最佳水平运行。
使用AI技术的医疗保健提供者组织还需要确保自己获得了最大的收益。换句话说，他们需要优化AI，以便技术能够满足其组织的特定需求。
我们与六位人工智能专家进行了交谈，每位专家在医疗保健部署方面都有丰富的经验，他们就CIO和其他卫生IT工作者如何优化其AI系统和方法以最佳地为其提供者组织提供最佳建议。
将AI应用于正确的问题
人工智能医学图像解释技术供应商Nuance Communications的首席技术官Joe Petro说，优化AI取决于对AI的能力的理解并将其应用于正确的问题。
他说：“目前有很多炒作，但不幸的是，这些说法有些荒谬。”“为了优化人工智能，我们都需要了解：我们正在尝试解决的问题;人工智能如何解决问题;AI是否可以增强现有功能?而且，当AI没有帮助时。”
例如，“可追溯性”重要吗?人工智能有一个众所周知的“黑匣子限制”-导致神经网络做出决定或结论的每个事实或证据并不总是众所周知的。
Petro解释说：“有时候不可能追溯到导致神经网络得出结论的面包屑踪迹。”“因此，如果可追溯性是解决方案的要求，那么您可能需要撤退到更传统的计算方法，这并不总是一件坏事。”
该问题是否适合AI?
此外，对于AI来说，问题是否表现良好且条件适当?他说，例如，在解决问题的方法中是否存在重复的，没有广泛变化且本质上是确定性的清晰模式。
他举例说：“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?”“如果给人类相同的输入而不同意答案，那么人工智能可能无法理解数据，而神经网络可能会提供与某些专家的观点不一致的结果。请放心，AI会找到一个模式–问题是模式是否可重复且一致。”
因此，在AI的当今世界中，有意地狭义地定义了AI解决的问题，尤其是在医疗保健领域，从而提高了AI的准确性和适用性。他建议，选择正确的问题来解决并缩小问题的范围，是取得重大成果的关键。
他补充说：“此外，培训数据必须易于获得，以创建可靠的AI模型并产生一致的验证结果。”不幸的是，有时没有可用的数据来训练神经网络。例如，在某些情况下，AI需要标记和注释数据。这种标记有时不可用。”
放射科医生读取图像时，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。没有数据标记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，他们很可能不会将提示查询的所有证据都反馈给医生。
Petro再说：“同样，没有数据标记有时会使培训变得不可能。”因此，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，但是我们需要认识到，所需的数据并不总是可用，并且可能需要昂贵的管理费用。事实是，数据本质上是“新软件”。没有正确的数据，人工智能将无法产生想要的结果。”
