肝损伤训练数据的标注来源与一致性
2023 年，Hyun Kil Shin 等人在 Food and Chemical Toxicology 讨论药物性肝损伤（drug-induced liver injury，DILI）的计算预测。综述指出，训练数据中的肝损伤判断来自药品标签、病例报告和文献，不同数据集的标注有时并不一致。
为协调不同数据集的标注，已有研究将 DILIrank 与 LiverTox 等人类肝损伤资料整合为 DILIst 数据集。综述指出，标注不一致会给模型验证带来误差。
各模型对“肝损伤阳性”的定义也有差异。综述介绍的部分模型以人类临床资料为依据，另一些则合并临床、动物和体外检测证据；后者只要在任一类资料中发现肝损伤证据，就将药物标为阳性。
敏感性、误判与跨数据集预测
综述指出，当时的 DILI 预测模型往往敏感性较低，通常为 55%–65%，即仍有相当一部分已知肝损伤阳性药物未被识别。
这些模型通常在特定数据集上训练和测试，应用于其他数据集时，预测表现仍受限制。
模型从合成药物扩展到草药成分时，还面临化学结构分布不同的问题。作者建议检查模型的适用域，判断待预测分子与训练资料的相似程度；即使采用同一种算法，超出训练数据范围的预测也会增加不确定性。
体外数据与计算输入融合的预测表现
综述介绍，将体外检测结果与药物结构、暴露等信息结合，可在部分研究中改善肝毒性预测。体外数据还可帮助解释毒性机制；例如，将与肝损伤关键过程相关的检测结果作为模型输入。
例如，一项贝叶斯模型同时使用与肝毒性机制相关的体外检测、亲脂性指标 logP 和最高血药浓度 Cmax。研究者通过改变 Cmax，比较不同暴露水平对应的肝损伤预测；另有研究按肝损伤不良结局路径中的关键事件选择体外检测项目，再与药物性质共同建模。
另一些研究未观察到整合模型的性能改善。Ye 等人的研究中，加入体外数据后的准确率与仅使用结构信息的模型相近；作者提出，现有体外数据对生物反应的覆盖不足，可能是其中一个原因。
混合用药与个体差异仍难以纳入模型
综述在结论中指出，当时的方法对多种药物或膳食补充剂共同引起的肝损伤预测能力有限。免疫相关损伤、宿主遗传差异，以及药物代谢酶和肝脏转运体表达的个体差异，也会影响肝损伤风险，现有结构与体外数据尚难完整涵盖这些因素。