一、技术瓶颈
1. 数据质量与偏见
医疗数据存在标准化不足、标注不一致问题，如“冠心病”在病历中有10余种写法，导致AI模型训练需耗费60%时间清洗数据。
数据孤岛现象严重，80%医院数据未互联互通，影响模型泛化能力。例如，某AI肺结节诊断工具在三甲医院准确率达98%，下沉至县级医院后骤降至72%。
训练数据中少数族裔或罕见病样本不足，导致误诊率显著上升。例如，非裔样本占比仅4.2%时，AI诊断误差率增加300%。
2. 算法可解释性差
AI的“黑箱”特性引发医生信任危机。北京天坛医院曾因AI无法解释诊断逻辑而拒用其辅助系统。部分AI系统甚至误将医学图像反光作为诊断依据。
二、与法律挑战
1. 责任归属模糊
AI误诊导致医疗事故时，责任主体涉及开发者、医院、医生等多方，缺乏明确界定。例如，某AI误将支气管炎诊断为肺癌，患者索赔1200万元。
欧盟《人工智能法案》尝试通过权责清单明确责任，但国内尚未形成统一标准。
2. 隐私与安全风险
医疗数据泄露频发，如2024年某AI医疗公司泄露5.3TB心理健康记录。医疗行业数据泄露平均成本达977万美元，居各行业之首。
AI模型可能被攻击或篡改，例如勒索软件对医疗系统的威胁尤为严重。
三、商业化困境
1. 盈利模式不清晰
医疗AI产品审批周期长（至少2年），且未被纳入医保收费目录，医院缺乏付费动力。某影像AI公司产品进驻300家医院，却因无收费代码被迫免费开放。
企业普遍亏损，部分头部企业年收入仅千万元量级，难以覆盖研发成本。
2. 医院落地阻力
科室利益冲突：AI缩短诊断时间可能削弱医生价值，如放射科抵触AI影像系统。
隐性成本高：医生学习新系统平均耗时3个月，期间门诊量下降20%。
四、临床接受度不足
医生和患者对AI信任度低。斯坦福大学研究显示，大型语言模型在回答患者问题时错误率较高，甚至可能危及生命。
基层医疗机构应用尤其不足，AI实际渗透率远低于预期。
五、政策与标准缺失
AI医疗产品审批流程和评估标准尚未统一，尽管《生成式人工智能服务管理办法》等政策出台，但执行细则仍需完善。
缺乏跨机构数据共享机制，国家数据局虽提出“数据要素×医疗健康”行动，但落地效果待观察。
医疗AI的困境是技术缺陷、争议、商业壁垒与政策滞后共同作用的结果。突破需多方协同：技术上提升数据质量与算法透明度；政策上明确责任与收费标准；上建立人机协同机制（如“人机双盲验证”模式）。
