1　影像诊断业务到了变革的前夜

随着人口老龄化、健康筛查的普及、影像设备精度、速度的提高，诊断医生面临的影像数据每年以20%-30%的速度在增长着。另一面，医学院校培养的诊断医生仅能满足诊断整体人力资源每年3%-4%的增长。对于多数医疗机构来讲，通过招聘满足诊断需求，难度越来越大。

随着信息系统的普及、数据分析/挖掘的深化，影像学的诊断知识飞速发展，其半衰期从10年下降到5年，甚至下降到3年。也就是说每隔5年，影像诊断知识的50%都会变得陈旧过时。诊断所涉及的数据维度和推理深度大幅增加，正在超越医生的记忆极限。现有的进修、网课、培训班、学术会议等学习方式各有千秋。从参与人员的广度和诊断知识的覆盖面来讲，这些方法尚不能满足系统性提升诊断队伍整体水平的迫切需求。

现有广泛使用的复制/粘贴报告技术效率很高，但质量堪忧。无论采用什么质量控制方法都属于马后炮，并不能改变这种局面。

我们内心深切地意识到这需要改变。但怎么改变？从哪里开始改变？一直没有清晰的答案。

2　应用影像决策支持技术是出路

我们隐约意识到影像决策支持是改变现状的出路。所谓影像学的决策支持，是将影像学的知识植入到现有的RIS/PACS流程当中（决策支持 = 知识 + 流程）。只有将知识变成日常诊断工作，天马行空的高深技术才能被使用起来；只有将工具植入到日常工作流程中，才能低成本、规模化地使用起来。完整的影像决策支持包含申请知识库、扫描知识库、后处理（影像AI）、诊断知识库四个环节。这些知识库是按场景/病种划分的，所以规模巨大，内容庞杂。

传统的流程系统为我们记录了各种过程信息，但还是让医技护自己去系统当中人工查找资料。决策支持系统则根据业务场景，自动化地将相关数据自动从周边信息系统提取出来，并根据影像领域的专家共识进行自动化地推演，将一个大体的结果呈现给医技护，从而大幅度提高他们的工作效率和工作质量。

畅想一个场景：传统模式下医疗机构聘任30人，支付30份工资，干30个人的工作；未来使用决策支持系统之后，仍然聘任30人，但支付40人的工资，干50个人的工作。这个场景提示我们决策支持业务的2个本质特征。首先影像决策支持的业务版图在影像诊断的人力资源领域；其次在满足医疗个性化的复杂性和质量的前提下，平均单个患者的诊疗成本是降低的。

影像决策支持系统并不取代医技护的岗位，而是取代他们的体力劳动和简单的推理劳动，将他们的工作推向更高的诊疗分析境界。

3　语义学标签是高阶影像应用的基础

在2017年之前，影像的标签一度被认为就是影像的大数据本身。随着技术与临床业务的不断整合，技术专家们逐步认识到一个疾病的诊断需要基于好几组影像学表现，还需要参考临床表现，再加上专家共识的推理过程。这些信息的载体只能是影像学报告，而没有第二个医疗文书能替代。完整意义上的诊断报告是包含影像的测量值和关键帧的，还包括临床领域的、与该诊断相关的信息维度。由此影像学大数据的核心标签是影像学报告的标签这个概念得以被广泛接受。

在影像领域有很多高阶应用。比如撰写毕业和科研论文；向临床提供图文混排的报告发布；实现复杂语义学的危急值报告；对报告的质量和效率做出评价；基于绩效进行规范化培训的安排与自动化的考核；探索中国人自己的专家共识等等。所有这些高阶应用都必须基于结构化的标签。

影像决策支持的完整链条从申请开始，延伸到扫描、后处理和诊断环节。在这四个环节上，每个单病种都是一个近乎独立的知识库。另一方面持续迭代是任何一个CDSS的精髓。上述四个领域的知识库要进行持续迭代，都需要通过HIS/EMR/随访系统获取治疗方案、病理结果和预后情况。如果这些环节上单病种的知识库都去建立接口，网络连接将重回蜘蛛网状态。诊断报告系统位于影像学检查流程的输出环节，本身就需要抓取这些信息。结构化报告系统有责任将这些标签化的信息，结合报告当中的其他诊断信息，无私地反馈给前端的各级知识库系统，使得它们的持续迭代得以开展。所以结构化报告系统处在影像学决策支持系统持续迭代的核心环节上。

4　影像诊断业务是多种技术综合运用的舞台

将影像学的知识融入流程，在实际业务中提高质量和效率的同时，不断产生新的标签数据；基于标签化的数据分析得出新的诊断知识；再将知识植入到流程当中产生新的生产力，形成持续迭代的闭环反馈。
为什么至今我们还没有一个清晰的技术方案能在日常诊断中带来革命性的改变呢？这个原因在于真实世界的影像诊断业务不仅内部逻辑复杂，而且跨越的场景众多，需要综合很多相关技术，一个一个场景地去解决问题。这必然是一个漫长的过程。

从诊断的逻辑层次来讲，我们可以分成三种境界。最基础的层面是正确识别影像的生理特征与病理特征。考虑到疾病众多，疾病在不同的影像设备下的表现不同，这些基础性的图像识别场景就有几百种甚至上千种之多。这种影像场景识别的工作非常耗时，偏体力劳动，人的识别能力是最终的判断标准，所以是适合AI来做的工作。其次，很多疾病都运用参考诊断/鉴别诊断的逻辑，诊断医生连续运用看图-推理-再看图的工作过程，这类组合可能性超过千种之多。这块就需要看图和推理的混合技术了。第三个层面是跨科室的临床思维（类似MDT思维）。这类逻辑的学术本质是跨本体的知识互联，是一个与影像AI、参考/鉴别诊断技术相互独立的技术领域。结构化报告工作在后两个层面，它的逻辑基于影像学领域的专家共识，这些共识都是有坚实的统计学证据支撑的，属于白箱推理。这些逻辑本来就是诊断的基础，相比基于大数据分析的预测，更容易被医生们理解与接受。

单纯的影像AI应用和单纯的结构化报告应用，在真实的诊断业务层面上都有能力缺失，或者效率低，或者缺少依据医学知识推理的能力。只有将它们有机结合起来，才能真正地在诊断过程中同时提高质量和效率。

影像AI也好，结构化报告也好，在不同的业务场景下的应用价值不一样。在健康筛查、判断骨折、出血等业务场景下，不需要复杂的多场景影像分析和推理，AI与传统的模板型报告也很好用。在肿瘤的TNM分期、心脏血管影像、肌肉骨关节影像方面，要写一份报告本来就很花费时间，这时使用结构化报告不仅提高效率，同时还提高质量。如果还有AI的助力，那简直就快实现诊断自动化了。在复杂业务场景下，比如涉及多器官/组织的侵犯，存在合并症/并发症的的情况，因缺乏专家共识，也没有足够多的数据积累，所以AI和结构化报告都很难帮得上医生们。这种复杂场景的决策支持有赖于单病种决策支持的拓展，以及不断完善的跨本体的知识搜索，才能逐步得到解决。

无论在什么业务场景下，诊断的数据维度和推理逻辑永远相伴，所以影像AI和结构化报告始终是共同上阵、相互提携的亲兄弟。

5　互补分享是决策支持业务发展的基石

科研的成果层出不穷，数据的复杂性、推理的复杂性越来越高。如果不能植入到流程中，仅凭医生们心领神会，几乎不可能被广泛和高效的使用。这不仅意味着浪费，而且没有业务系统数据的持续滋养，这些成果也很难持续发展。将知识植入流程，重要性不亚于知识创新本身，这需要分享的气魄，也需要特别的耐心与坚韧。

以结构化报告的创建为例，整理知识并用于流程是极为困难的工作。尝试过此工作的很多专家团队都有很深的感悟。其原因包括专家共识的描述不规范，共识本身存在着逻辑漏洞，其思维路径和看图路径不相符等等。专家共识还在持续改进，每次版本升级都是一项同样艰苦的工作。不仅单病种结构化报告开发艰苦，AI的开发也是如此。影像诊断涉及的病种多达几百种，虽然在技术架构上有通用性，但诊断逻辑确是独立的，每个病种都需要个性化地设计、改进和迭代。

很难想象少数的医疗机构和企业能将整个影像诊断的决策支持系统开发完毕。只有通过互补的开发和分享才能实现这个目标。影像学知识的积累离不开标签。基于“特性-分类-预测”的影像诊断逻辑在这三个环节上持续细化，是包括影像诊断知识在内的所有医学知识的进化逻辑。在历史上影像学的知识通过分享传播和改进，形成了影像诊断知识能持续发展的基础。

分享标签存在着风险。因为其他相关方能看到本系统生成的结构化数据，不仅人家可以用，而且还能基于此反推前端的业务逻辑。但不予其他系统分享标签，流程就无法实现自动化衔接，就不能走出本系统的局限性。这种风险更大。在通过分享标签实现的决策支持业务中，为客户创造价值，提高效率、提高质量，是评价指标。我们因此期待更多的单病种AI与单病种结构化报告紧密整合，多管齐下，积少成多，逐步改变影像诊断业务的生态环境。