目前，大部分的人工智能的准确度不如人意，且仅可应用于部分常见疾病，这主要是可用数据不足导致。不难发现，在之前提到的研究中，使用训练样本越多，精确度就越高。但由于数据标准化和隐私限制等原因，数据的获取和分享一直受阻。除了数据数量之外，数据质量也相当重要，尤其是医疗数据，大多需要训练有素的专家手动给出“标准答案”，才能提高AI的准确性，但这将是一个十分消耗资源的过程。不过，就算人工智能的准确性足够令人信服，解释它的行为将是另一件让人头痛的事。

深度学习算法复杂，尽管得到正确的结果，我们往往也很难理解计算机如何”思考“得出这样的结果。然而，方法总比问题多。现在，针对数据数量和质量的不足，越来越多的公共标准数据库建立起来，如癌症影像集（The Cancer Imaging Archive），研究者有更多可靠的数据可供自由使用。同时，研究者也可以使用无监督学习的方法，来减少数据缺少”答案“的影像。

总的来说，深度学习技术能够从数据中学习到丰富的信息，意味着它可完成更加复杂的任务；而且我们能很方便地将这项技术应用到其它地方。除了癌症检测外，深度学习技术，尤其是CNN，还可以用来检测其它疾病，如白内障、骨折、脑出血等。不难想象，随着人工智能在医疗领域的广泛应用，医生的工作量将会大大减少，且诊疗准确率也将会得到提升。它们能够在图片上找到我们肉眼难以发现的异常