根据发表在《医学会内科学》(JAMA Internal Medicine)上的观点文章，尽管深度学习技术的使用有可能改变医学的几个领域，但该技术在普及之前面临着众多挑战。
“深度学习有可能解开图像中复杂的，微妙的区分模式，这表明这些技术可能在医学的其他领域有用。然而，在深度学习能够被更广泛地应用之前，必须解决大量挑战。”作者王菲，博士，纽约威尔·康奈尔医学大学医疗政策和研究的助理教授等。写道。
最近，研究人员已经使用深度学习来帮助诊断各种疾病，包括青光眼，老年痴呆症和皮肤癌。
这组作者认为，当前阻碍医学深度学习的挑战包括：
对于使用深度学习技术来诊断更复杂的疾病，尚无法获得大量可靠的数据。例如，创建可靠的诊断模型可能需要来自多种类型来源的数百万个数据样本。
深度学习模型经常处理低于标准的数据质量，这导致从“分散且嘈杂的”信息中识别可靠的模式变得困难，而不是从结构化信息中识别模式。
深度学习模型通常似乎是“黑匣子”，在输出结论之前会吸收数据，而没有明确说明如何得出该结论。
模型偏差和互操作性限制了深度学习模型的通用性。
深度学习模型可能容易受到有意或无意的污染。
针对这些挑战，作者提出了一些建议：
收集大规模且多样化的健康数据，以使深度学习模型更通用，并且更不易受到偏见的影响。
创建可提高数据收集过程质量的工具。
将深度学习技术与临床医生的工作流程集成在一起，使临床医生可以查看模型的推理以得出特定的结果和结论。
制定综合法规以确保模型安全。
作者总结说：“尽管深度学习具有改善医疗保健的潜力，但仍然存在广泛的障碍和更广泛的有效使用的障碍。进步需要认识到深度学习的局限性，理解挑战并应对这些挑战。”