医疗保健过程通常会产生大量的数据，但是从目前来看，医疗保健行业应用AI技术处理庞大数据资料的进度依旧缓慢，不过这一切都将发生改变。
根据行业咨询公司Frost&Sullivan数据显示，到2021年，医疗保健行业AI市场的年均复合增长率将会达到40%，医疗费用有望降低一半。
AI技术可以从许多方面协助专业的医疗人员。例如，AI可以协助评估疾病的诊断和预后，减少人为的出错率和工作量；同时，AI技术还能通过分析复杂的数据，或将有可能识别出先前未被发现的一些与疾病相关的线索，从而为治疗提供新思路。
同样地，AI技术也会为患者带来诸多便利。例如，医护人员在AI的协助下可以更高效率地完成工作，这样患者就能得到更及时有效的护理，从而极大地改善医疗结果。
分析多种数据格式
医疗保健数据的存储格式多种多样，其中包括数字、文本、图像、扫描、视频以及音频等。许多研究结果也表明，AI技术可以成功地应用到这些不同的数据类型中。
举例来说，深度学习模型可用于分析核磁共振的扫描结果及评估癌症病人体内的肿瘤生长情况。使用卷积神经网络技术，误报会降低，从而减少对病人进行创伤性的活检诊断。来自中国的一支研究团队通过分析显示软组织弹性和硬度的弹性图，其区别恶性肿瘤和良性肿瘤的精确率已经达到了93%。
文本数据同样也能用AI技术来进行处理。在2100万份电子健康档案中使用类神经网络技术提取某些危险系数，其中8500个患者被识别到有发展成心脏衰竭的风险，准确率为85%。另一个类似的技术在基于患者的语言模式下，被用于鉴别精神分裂症患者的精神疾病，准确率达到了100%。
在另一份研究中，来自加拿大的一支研究团队使用原始心电图(ECG)数据搭建了一个深度卷积神经网络模型。从该模型可了解诱发阵发性心房颤动（一种有致命危险的心脏疾病）的主要因素，还能协助患者进行筛查。
面临的阻碍
AI技术应用到医疗保健还面临一些需要克服的阻碍：
医疗行业需意识到AI技术可带来的帮助
医疗数据的敏感性让获取数据来培养AI模型会有一定的困难
AI模型得到认可具有难度
为克服这些阻碍，医疗行业人员和数据科学家应该更紧密地合作。根据哈佛一支医学院团队的研究，在诊断乳腺癌时，病理学家错误率是3.5%，使用AI模型可将错误率降低到2.9%。两者配合进行诊断，则错误率可降低到0.5%。