毫無疑問，智慧醫院需要持續筑牢安全防護墻，但并不意味著要把安全防護墻加高到滴水不進、滴水不出的地步。正如國家衛生健康委規劃發展和信息司毛群安司長所說，未來醫院的邊界會越來越模糊、協作更加頻繁，傳統的醫療業務流程可能嵌入若干大數據、智能應用，實現醫患互動、臨床協作、醫教研的互動。

為保護患者個人的數據隱私，經過清洗后，被用于二次開發的患者數據集中，患者個人信息既不可被識別，也不可被逆轉（即逆向破解，將脫敏數據還原為原始數據）。盡管主流醫療大數據、人工智能企業普遍擁有成熟的數據脫敏技術，但隨著數據量累計、數據交叉比對持續、新型算法模型被研發，脫敏數據被逆向破解的風險將持續加大。因此，“最小可用”原則是保護患者數據隱私的最后一道防線。

隨著技術革新，傳統深度學習也許將不再過度依賴數據量進行算法訓練。作為新型神經網絡的一個分支，生成對抗網絡（GAN）通過分離出生成網絡、鑒別網絡，猶如一個警察和假鈔販子之間的對抗，警察對假鈔的鑒別能力不斷提高，假鈔販子“以假亂真”能力也不斷提高，最終機器對醫學影像的判斷準確性將趨于甚至超過人類。更重要的是，生成對抗網絡僅需要少量影像數據進行算法訓練，且無需人工參與標注，從而符合“最小可用”原則。

無論是在信息化時代、互聯網時代、大數據時代還是人工智能時代，數據質量始終是靈魂。對于醫院信息系統（HIS）、云平臺、AI算法這些數據“吞吐大戶”，我們既不能讓它們因“上頓不接下頓”而“營養不良”，也不能喂食“過期變質食品”而導致其“食品中毒”，甚至對整個“食品工業”喪失信心并引發行業地震。

公立醫院是醫療衛生服務主戰場，也是數據治理的源頭。“水源”一旦被嚴重污染，公共平臺歸集數據后再進行治理，往往回天乏力。新近出版的《醫院數據治理：框架、技術與實現》一書，標志著統計信息中心首次提出醫院數據治理的理念，梳理了醫院數據治理的實施重點和路徑，結合國家級平臺建設項目實施等相關實踐，應對服務創新、數據質量、開放共享、安全合規等方面存在挑戰。該書和筆者的一線調研呈現出若干迫切問題：

（1）數據治理重數量輕質量：一些地方的全民健康信息化平臺建設先抓數據匯集，再把好質量關，缺乏數據上傳審查機制、數據質量預警機制，未經驗證、未經處理的健康大數據只能是“一般垃圾”甚至是“有害垃圾”；

（2）數據治理重技術輕規制：醫院數據治理僅停留在技術框架層面，在院內尚未成立數據治理管理機構，在院外尚未建立第三方數據治理評估體系；

（3）數據治理重工程輕績效：把數據治理狹隘、靜態地理解為工程項目，主管部門數據規則跟不上，承建方運營維護跟不上，醫療機構和社會各界對治理績效的獲得感不強。

在數據輸入端，我國尚未對健康大數據（尤其是醫院大數據）啟動國家立法，“健康醫療大數據”相關法規停留在部門規章層面，且仍處在試行期，且對健康大數據的分類、分級、分步共享開放的準則，及其易于操作的流程，尚未作出具體規定。在算法輸出端，我國對醫療人工智能的算法模型的著作權尚未得到法律保障。我國知識產權的主要判定依據是《著作權法實施條例》，該條例的修正案早在2013年3月1日就開始施行，趕不上醫療人工智能技術發展的新趨勢。

綜上所述，立法位階不高、法條不夠明晰、法律約束力不強，導致一些地方、一些醫院的數據治理規則出現較大隨意性，容易出現因時而異（如：人工智能進入某個“風口期”）、因事而異（如：醫院自發提出科研合作需求）、因人而異（如：持開放態度的衛健委領導、醫院領導、信息辦主任）。制度剛性缺失，給醫療人工智能企業的數據可用性、低成本帶來巨大挑戰，也導致算法模型無法根據“額頭出汗原則”的著作權原則歸研發團隊所有，無法對醫療人工智能研發提供穩定盈利預期、研發激勵機制。