Edward Lee是UCLA大卫格芬医学院的放射学助理教授，同时也是该研究的作者之一。他在谈到人工智能的应用时表示：
我们认为人工智能完全有可能在介入放射学中作为一种低成本、自动化的医疗助手，用于改进患者的治疗和护理。如今，人工智能已经改造了很多行业，我们相信它在改造医疗领域，同样有着巨大的潜力。
在这项研究中，运用了深度学习技术的医疗助手需要理解范围极广的临床医学问题。研究专家们让其用一种类似于短信对话的方式对每个问题做出适当的回应。深度学习技术的灵感来自于人类大脑的工作机制，其人工神经的网络能对庞大的数据集进行分析，从中自动总结得出一种模式，无需人类的干预也能“无监督学习”。深度学习网络能够分析复杂的数据集，在疾病的早期诊断、治疗计划、病情监控等方面提供丰富的、可供借鉴的建议。
医学博士Kevin Seals，在UCLA担任放射学科主治医师，同时也是这个AI项目的程序员和作者之一。他在谈到这项研究时指出：
这项研究将使得医疗机构内的各个人群受益。举例来说：病患护理团队成员能更快、更方便地得到准确的医疗信息；介入放射学医生们能够节省用于电话沟通的时间，将更多时间用于患者照护；最重要的是，患者能够更好地掌握治疗的相关信息，并接受更高水平的治疗与护理。
该研究团队的专家们通过向程序输入超过2000个常见的介入放射医师咨询的模拟案例，从而建立起一个介入放射学的知识库。通过这种形式的学习，这个程序能够立刻对临床医师提出的问题给出最佳的答案。程序回应的答案包含了多种形式的信息，包括医学网站地址、医疗信息图表、定制医疗方案等。
如果程序判断出提问者是需要人工回应的，那么它就会提供相关的联络方式。在医生们的使用过程中，各种问答情境也将作为这个程序的学习资源，程序在实践中会不断进行自我学习和改进，以达到更智能的水平。研究者们采用了一种叫做“自然语言处理”的技术，这一技术的实现是通过IBM的Watson人工智能计算机来完成的。Watson能够用自然语言回答各种问题，并且高效实现机器学习的其他重要功能。
目前，介入放射学住院医师、放射肿瘤学家和UCLA的介入放射科研究者们组成了一个小团队来测试和评估该研究项目。医学博士John Hegde，同时也是加州大学洛杉矶分校（UCLA）肿瘤放射学科的主治医师，他非常看好这一智能医疗助手在医疗服务上的发展前景：
我相信这个应用程序可以改变医生间的交流方式，进而为患者提供更高效的治疗。对我来说，关键点在于这个程序最终将会成为一种高效、无缝的医学信息传递和交流的方式。尽管使用起来就像通过短信消息与朋友聊天一样简单，但是不可否认的是，这确实是一种快速获取所需医疗信息和数据，帮助做出更适当的治疗方案的强大工具。
在这个智能医疗助手不断改进的过程中，专家们也希望进一步扩展其工作范围，让它协助其他科室医生的交流，例如心脏病学专家和神经外科医生。Edward Lee表示，在整个医疗保健领域内推广使用这一技术，将帮助人类获得更高的医疗水平。
