機器學習在醫療領域的應用架構是透過大量的已標註醫學資料（labeled training data），送入演算法模型當中進行分析，並且針對醫學場域需要回答的問題進行預測與建議。常見的標註醫學資料包含各種醫學影像、電子病歷、生命徵象、實驗室生化數據、生理訊號、音訊影像等。而需要回答的醫療問題則包含診斷、治療選擇，以及疾病預後的評估。這些大量的資料常常不是單一醫師便能夠收集完成，需要整個醫院、甚至是大型醫院聯合進行資料搜集。另外，醫療資料的私密性更增加了這些資料取得的複雜性，以及醫療資訊相關的隱私權問題，都是機器學習在醫療領域應用特別需要解決的課題。              

雖然訓練模型時需要大量的訓練資料，但是單單只依靠大量的訓練資料，卻很難保有競爭優勢。特別在臺灣，很多的資料量遠遠不及其他大國，即便靠著現成的臨床資料「炒短線」進行研究，也容易因為資料範圍的限制，被其他國家後來居上。另外，如果只是將獨有的臨床資料放進大家都有的通用模型進行訓練，快速地得到研究結果，在類似的訓練資料被其他研究者取得後，目前的研究也很容易透過公開的模型工具立刻複製，而失去競爭力。反之，針對臺灣在人工智慧醫療的發展，我認為至少有兩方面要特別注意：