Les limites de ces méthodes engendrent des difficultés spécifiques à leur application en médecine :

Les données effectivement disponibles pour entraîner des algorithmes sont à l’heure actuelle limitées dans leur nombre et dans leur qualité : le niveau de détail, appelé granularité, peut être insuffisant pour tirer des conclusions valables. On peut au contraire avoir une grande granularité, c’est-à-dire un grand nombre de variables mais pour un nombre insuffisant de patients, ce qui peut entraîner un « overfitting », ou « surapprentissage ». L’algorithme est alors bien entraîné et fournit de bonnes réponses sur la population d’entrainement, mais est incapable de fournir des réponses exactes sur une population différente.

Les méthodes de machine learning permettent de contourner ce problème avec de très bonnes performances. Enfin, un problème souvent débattu dans ce domaine est l’effet boîte noire des algorithmes d’apprentissage automatique les plus sophistiqués, tels que le Deep Learning : il est en effet impossible de comprendre pourquoi l’algorithme fournit la réponse qu’il fournit, ce qui peut poser un réel problème en médecine.