随着人工智能技术在视频图像分析及文本分析方面应用的深化与成熟，随之而来的面向智慧医疗的人工智能技术也不断涌现。虽然这些人工智能技术在一定程度上解决了以往医疗领域存在的顽疾和痛点，但是距离人工智能技术真正在医疗领域产生大规模、有价值的应用，还存在很大的障碍与挑战。

1）算法过拟合

人工智能算法性能有待提升，其中困扰其进一步发展的一个重要因素在于算法容易出现过拟合现象，从而导致覆盖率低，无法兼顾各类情况和致病因素。以IBM公司的癌症预测人工智能算法为例，该算法虽然推广面很大，但是其本身是基于少量合成的、非真实案例所构建的，而且仅有非常少量的人类专家知识，在实际应用中被证明它所推演出的很多治疗参考建议都是不可取的，直接后果便是导致医疗事故与纠纷，引发大规模医源性风险。因此，医疗领域在使用人工智能技术前，需对系统功能和性能进行严格测试、评估和审查，并引入严格的监管和追责机制。

2）不平等性明显

目前主流人工智能技术都是基于有监督策略的机器学习和深度学习技术，需要依托大体量、高质量的标注数据资源。在某种程度上，训练数据的质量直接决定了人工智能技术的性能和鲁棒性。但是受限于隐私保护门槛、数据治理成本、数据标注成本等方方面面的因素，现在用于训练智能医疗人工智能算法的数据难以实现对人类族群、肤色、年龄等要素特征的全覆盖。例如，图像分析数据集对于人口较少的、缺乏代表性的族群覆盖率较低，直接导致相关算法和技术在该类族群上性能受限。

3）可解释性弱

可解释性是人工智能技术（特别是深度学习技术）发展到目前瓶颈期所面临的一个现实而又尖锐的问题，“知其然，不知其所以然”成为当前基于深度学习的人工智能技术难以回避的现实痛点。因此，可解释人工智能成为研究热点，美国国防高级研究计划局（DARPA）于2017年启动了可解释人工智能计划等。医疗领域人工智能技术面临着同样问题，表现在无法理解深度神经网络输出结果的决定性因素等多方面。(www.daowen.com)

4）隐私保护

人工智能技术在智能医疗领域应用所面临的隐私与安全保护问题，表现在普遍存在的黑客攻击与数据泄露、恶意攻击算法造成大规模患者伤害（例如为糖尿病患者过量配备胰岛素）等诸多方面。2019年11月，美国谷歌公司在美国21个州秘密收集数百万份患者相关实验室结果、医生诊断书、住院记录与病历的“夜莺计划”被曝光，引起广泛关注。探索人工智能和大数据环境下的全新的个人健康数据所有权模式，打造高度安全的数据治理与管理平台及相关政府立法成为当务之急。探索确保数据隐私和安全先决条件下的医疗人工智能技术，是人工智能技术在未来医学领域应用必须解决的一个关键问题，否则人工智能技术在医疗领域的发展就会遭遇阻碍。

5）缺乏可靠验证

人工智能技术在医疗领域的应用刚刚起步，把患者的一部分生命管理权力交给机器掌控，本身就存在非常大的风险，因为医疗领域的人工智能技术不能有意外。虽然现在各大科研院所和科技巨头都在着力研发基于人工智能技术的智慧医疗解决方案，但由于数据受限及示范验证环境受限，真正经得起临床验证的却凤毛麟角。

在抗击新冠肺炎疫情的过程中，人工智能发挥了巨大的作用，也使人们进一步认识到人工智能技术对智慧医疗不可或缺的作用。人工智能技术将快速、准确和低成本地治理和处理大规模数据，机器将有能力实现人类无法看到或做到的事情。毫无疑问，这将成为未来基于数据驱动、基于人工智能加持的高性能医学的基础。由新冠肺炎疫情诊疗过程对人工智能技术的需求不难看出，辅助诊断、快速测试、智能化设备、精准测温与目标识别等均是未来人工智能赋能智慧医疗的优先发展方向。