1　单病种是结构化的利器

近年来医疗信息化系统普遍向大数据和决策支持领域靠拢。不仅是影像诊断领域，在病理系统、实验室系统，甚至专科电子病历系统当中，结构化都是通用的杀手锏。

RSNA曾经在2014-2015年的时候整理出286个结构化报告。这些结构化报告覆盖所有的影像设备和检查部位，是按照设备/部位来分类的。在推广中发现这些报告很难得到影像科医生的响应，主要原因是按照设备/部位来设定的报告与任何单病种无关，其影像报告的元素需要覆盖各种疾病的维度，范围太宽，填写效率比较低。

而单病种的报告只需设定与单病种相关的信息元素，而且可以内置单病种的诊断逻辑，与后处理/HIS-EMR建立清晰的对应关系，从使用效率上来讲得到很大的提升。所以目前结构化的影像学诊断报告基本上是按照单病种设置的。 

2　影像大数据的核心是报告的标签

影像数据占据医疗信息化数据的90%以上，总体价值很高。但如果影像数据没有标签，就没有使用价值。越是数据量大，没有标签的数据价值越低；越是标签清晰，结构化的数据，数据量越小，价值越高。在2017年之前，一些技术类专家普遍认为影像数据的核心标签是从图像中提取出来的各种数据分析标签。

2017年RSNA上报道了美国一些医疗机构做了研究，发现在通过machine learning分析数据过程中，加上/不加上放射科医生的人工参与，最后的临床效果差别显著。原因有三个：首先只让AI看图像，是获得单个领域的属性。而放射科医生看图像，会获得几乎所有疾病领域的信息；其次图像之外的其他信息通常都是自然语言的，现在的NLP分析对于事件在空间和时间上的提取有理论上的缺陷。人阅读各种问题获取的信息更加准确，而且维度更具多样性；第三放射科医生如果能看到患者，对于患者的文化水平、信仰、支付能力、生存愿望等会有一些主观认识。放射科医生获得的所有这些信息，只能表达在报告当中，而不是别的文档当中。这份影像学报告，再加上周边这些信息的NLP分析，再去做分类和预测，才是当前阶段最合理的做法。由此最终确立了影像学报告的标签是影像大数据的核心标签。

3　影像学大数据标签的价值

从质量管理的角度上来讲，一个系统如果不可测量，就不可持续改进。影像学单病种结构化报告的出现使得影像学诊断第一次将过程和结果全部数据化了，实现了可测量、可分析，进而实现可持续改进。

影像学大数据标签的核心价值是帮助我们持续改进诊疗规范。通过与治疗方案、病理结果、随访信息的整合分析，可以将各种诊疗规范的改进推广到人力所不及的阶段。这些诊疗规范包括：做出诊断的判别、推测组织病理类型、评估治疗方案、给出生活方式的建议、防止不良事件的发生、选择筛查方案，以及给出生存预测等。

影像学报告的标签还可以用于评价医生的工作质量与效率，进而评价其在多个专业领域的能力分布模型。这种评价对于医生的持续培训、日常工作中的患者分配都有密切关系。

影像学报告的标签还是流程大数据的组成部分，与其他流程数据一起，可以用于流程的分析、优化与调整。诊断大数据与流程大数据是相辅相成的两个部分，一个用于改进诊疗决策，一个用于改进流程决策。

4　影像学结构化报告的优势

首先，如果一个检查涉及的解剖结构比较复杂，需要记忆的东西很多，就可以考虑通过解剖导航图来进行提示，并将这些解剖部位与病理特征的诊断、周边组织器官的关系放在模板当中；

其次，某些单病种的诊断逻辑虽然不难，但比较庞杂，需要记忆的知识很多，比如ACR-xRADs、肿瘤的TNM分期等。将这些知识内置在报告模板当中可以极大地降低一线报告医生的劳动强度。

第三，后处理/影像AI/产生的关键图像与测量值、分析图表，往往是强诊断依据，影像科室希望能在报告中继承下来，成为清晰诊断证据，并提供给临床、患者参考。

第四，临床科室希望影像报告提供与临床治疗方案相关的信息，这些信息往往与诊断类型无关，只与治疗方案有关。但病种繁多，影像科医生不见得能记得住。这种情况下，用结构化报告承载这些信息就非常方便了。