標準之後，要深入解決AI醫療影像技術的落地難題，還需要更多的去挖掘高品質的基礎資料。縱然，中國借助于如此龐大的人口優勢，多年來已經獲得了海量的醫學影像資料，但實際上這些基礎資料中真正能夠為AI所高效利用的部分並不多，大樣本和高品質的資料獲取依然是本土AI醫療影像技術的缺憾，這會造成診斷精確度低、投入高回報差甚至信任缺失等嚴重問題。也正是因為這些精准高品質資料難以獲得，吸引了一大波AI創業公司蜂擁而入醫療影像市場淘金。事實上，普通的醫療影像資料可以說遍地都是，但醫學上很多疾病資料實際上是很少的。某業內資深人士表示，“一家醫療單位可能僅有一兩百病例符合標準，甚至可以說沒有一家醫院敢說自己擁有幾千例這樣的符合標準的圖像資料。可能一家醫院有數萬病例，但基於不同的疾病、檢查方式、研究目的區分之後，資料一下子就會變得很少。醫療資料不像購物那麼簡單，醫療資料很多是不確定的，很難打通，這種情況下，具備完整資訊的病人資料就尤其寶貴。拿肺癌或其他腫瘤來說，在大醫院，滿足要求的可能只有10%-20%，這已經算不錯的；在二甲等地方醫院，很多病人做了檢查之後，就去上級醫院看病去了，有完整資料的病人可能只有1%-2%。”
正是因為缺乏有效資料的訓練，使得如今的醫療機構利用AI來做醫療影像篩查頗具成本壓力。向軍表示：“現在，能看的病不多是AI面臨的一個很大的問題。比如一個放射科醫生能看100種病，可能AI現在在其中7種、8種病上已經比醫生看得更出色，但是還有剩下的92、93種病它其實是無能為力的。所以，真正要達到解決問題，徹底降低醫生的負擔，減少對醫生的數量需求，應該說現在還遠遠沒有到這個時候。”
這也就會出現醫療機構還得專門雇一個專業醫生，並攤付額外的成本的現狀。此時，究竟AI對於醫療機構到底是負擔還是幫襯，值得商榷，向軍進一步補充到：“所以現在很多AI醫療影像設備放在醫院其實是吃虧的，如何將其變成一個剛需是需要考慮的問題。如果全中國的‘AI+醫療公司’能夠形成聯盟，大家可以相互分工，各有所長，而不是都做同一件事情，最後形成某種意義上技術共用，達成一個真正意義上的醫院不需要再雇傭DR醫生的水準，這就變成剛需了。”
不過，左盼莉認為這種有效資料的缺乏可以通過做大量資料標注的工作來解決。很多醫療圖像資料並不是簡單的零或者一，而是需要做經驗的判斷，通過有效標注，很多看似無用的資料幾乎也都能夠變成有效資料，但是，資料標注還是現階段一個比較大的問題，她表示：“因為AI做演算法的第一要求就是資料標注的得是完全正確的，所以現在各種方式，包括演算法如何去解決標錯的問題，以及標注本身，業內都有在進行討論和規劃。在標注問題上，我們也開了各種各樣的討論會，醫生之間的觀點比較一致，但醫生在資料標注完之後可能還會有三盲五盲的問題，後期我們也還需要再把相對一致性的東西挑出來，以及繼續深入去討論和解決。”為輔助醫療機構解決資料標注這一大問題，匯醫慧影打造了全週期的AI平臺，左盼莉表示：“我們的全週期AI平臺目前基本上實現了在臨床過程中醫生可以去使用人工智慧技術去做輔助診斷，在診斷過程當中平臺可以生成結果化的報告設計，讓資料比之前隨便寫的報告更加規範化，這些資料到資料銀行，資料銀行會提供一些標注工具，讓它的資料更加規範清晰，然後再轉回到我們的演算法平臺。目前，這個演算法平臺有一部分現在已經開放給醫生使用，而且演算法平臺會根據圖像不斷產生各種各樣演算法模型出來，再經過臨床驗證以後，它可以再次恢復到臨床使用場景，所以它是一個資料和臨床應用的全週期。”做這樣全週期的資料管理，左盼莉表示前期需要花相當大的工夫：“剛開始，我們基本上是在電腦上拿資料夾管理所有資料，但是如何做到標注一審、二審，以及做到精標準的資料庫？所以，為了管理資料，我們開發了一整套資料管理平臺，為我們自己所用，並開放給醫院使用，在上面針對影像開發了一些比較方便的自動化標注工具。然後，整個資料裝台我們在資訊化上可以說做的比很多初創企業會更多一點，基本上採用分散式的NoSQL閘道，進而使得整個系統在安全上和高病發處理上能夠真正在醫院場景上用起來。”不過，通過自動化標注工具標注之後的資料，是否能夠達到比人為標注更高比例的精准度，仍是目前行業攻堅的重要難題。總之，統一的標準與有效的資料，是當前擺在AI醫療影像技術市場化面前的兩座大山。要徹底解決標準化問題，編者認為國家有關部門的推動僅僅只能起到帶頭作用，真正要落實到商業化甚至民用化，仍然需要中國各大主要醫療機構之間，醫療機構和專業AI演算法提供商之間進行更深入且透徹的交流與合作，在解決各方的見解和專業性衝突之餘，彌合各自的商業化矛盾，進而推進中國AI醫療影像技術向標準化邁出關鍵一步；當然，標準化之後，行業也將正式走上“資料競爭”之路，這也將十分考驗AI公司與專業醫療機構之間的合作密切程度，以及各自在市場化方面的取捨。為此，雙方除了需要在各自領域打造技術和資源優勢外，更重要的是在商業化目標上達成一致，才能在競爭日趨激烈的AI醫療影像市場漸行漸遠。