首先，有质量的数据，数量远远不足。 相关人士认为，即使每年中国有 80亿次的就诊量，但当落实到某一种疾病，细分到更具体的人群，数据维度的跨度非常广，所以每一种细分的数据量都非常少。企业拿到几十万人、甚至上百万人的数据后，经过各种条件筛选，每种疾病的这类患者可能是三千人。这些数据虽然有价值，但不足以把海量的参数给模拟和训练出来。

而且在医疗领域，单有数据完全不够，需要和病例的文本、化验结果、结构化的信息、还有影像化的资料结合才能得出有价值的结论。

其次，数据的连续性非常重要。 即使企业拿到了某个医院的数据，但如果 90% 的患者只来这家医院看一次病，没有复诊，后续的治疗效果都未知，那么这样的数据往往也没有太大价值来供机器学习。

第三，传统医院运营的固有体系导致 AI 应用推广的速度慢。企业想把医院变成数字化，但医院的整体运营流程长，很多未被充分验证的“黑盒子”技术又造成了大量医疗工作者的抵触，推进 AI 应用于医疗的周期长。

法律和伦理是AI 确诊和AI 诊疗的瓶颈

目前许多疾病的确诊都相当复杂。以肺癌为例，肺癌是中国的第一大杀手，而中国能够确诊肺癌资格的医院极少，患者耗费在肺癌确诊的时间和成本都非常高。AI 迟迟没有用于重大疾病的确诊原因有三。

其一，任何机器都会有故障，应用时也不能保证检测结果一定准确。当机器检测判断失误时，谁来承担后果？医生的确诊会由医生来签字和负责，但在人命关天的医疗领域， 机器检测的过失，谁人承担？

其二，当确诊设备进入市场时，检测疾病的便利性会突然提升相关疾病的发现率，就诊的患者一时成倍增长，医疗资源自身的调节失衡，民众情绪可能会出现动荡。

其三，诊疗本身有太多的不可量化性。相关人士认为，一类疾病用相同的药，但由于病史、运动、睡眠、心理等因素，可能会产生不同的效果，目前并没有技术可以模拟每种变量带来的影响，更何况是重大疾病，相关专家表示生活中很多有严重后果的疑难病症，五个专家都可能会给出五个不同的治疗方案。想用 AI技术解决确诊和治疗的问题，还有很长的路要走。

除了上述两个原因，基层医疗人员素质不高也是现在的医疗业的现状之一。不是每个城市都有协和这样的医疗资源。谢国彤表示，现在 56% 的诊疗发生在非三甲医院。中国有 370 万基层医生和社区医生，这部分群体本科以上医疗学历的人不超过 10%。

基层医疗人员的素质有限，则无法满足基层医疗的需求，同时会降低基层医疗事业的发展效率。 这是一个目前市场上已有的人工智能解决方案无法覆盖、也未能解决的问题。 但这却是一个医疗市场一个很大的痛点，还有很大的提升空间。

想用 AI 彻底颠覆传统的医疗行业，目前来看还很困难。但 AI 用于医疗依然有很多机会，医疗系统很庞大，没必要非得一次到位，可以先把需要大量人工的流程实现自动化，比如已经在改进的预约和挂号系统。切入具体细分的场景，如建立电子病历、简化问诊流程、自动化取药等。而更为复杂的诊断和治疗部分，还需要企业、医院、数据和技术的共同配合。