“深度学习正走向两极化，大部分研究深度学习的人员会偏向于工程化，包括建立更加全面、便捷、快速、可视化的深度学习平台，'暴力'地将深度学习应用到更加多的领域。小部分的深度学习研究者会偏向于理论化，解决深度学习的理论瓶颈包括可解释性等问题。”密歇根州立大学汤继良教授曾如此总结到。
医疗AI热潮，无疑离不开这波深度学习的发展，但由于深度学习的天然局限性和医疗领域的特殊性，使得医疗AI这一交叉的领域，也在进入瓶颈期。
随着深度学习即将触及天花板，医学影像分析科研人员也随之分为两大派别：理论派和工程派。
理论派的初衷，是解决深度学习“短缺”的部分，强调人工设计和数学论证，通过预先构建先验知识，在不过度依赖大数据的前提下，开发出一个可解释的、高精度、可解决诸多长尾问题的“智能模型”。不少专家认为，医疗AI中有大量Mission Critical和长尾问题，这对研究人员的整体系统设计能力要求非常高，因此人的作用就显得尤为重要，而基于黑箱统计模型的深度学习，显然存在太多的弊病。
工程派的做法，则是进一步发挥深度学习自身的优势，扬长避短，获取更多标注数据，设置更多参数，用更强大的算力，训练出一个能够学习更多维度特征的“经验模型”。其本质是建立某种学习和搜索的Meta Method，依靠摩尔定律带来的指数增长的算力，让机器自行构建复杂的知识系统。
前者强调人工设计，后者依靠机器自主构建。
后深度学习时代的医疗AI研究走向，正朝着这两个看似极端的方向发展，工者愈工，理者愈理。
前者的难度在于理论的突破，从某种程度上取决于个别人的开创性研究成果；而后者在很大程度上取决于整个行业的数据标准化、开放化和监管进度。