随着国民寿命的增长，健康筛查的普及，以及影像设备精度的提高，数据量的增长速度远超影像诊断人力资源的供给增长速度，各种影像决策支持系统用于日常业务是大势所趋。在CCR2019上这个趋势也能看得很清楚。
面对日益增长的诊断压力，影像科室的管理者们一直在寻找一种既能提高诊断效率，又避免出现差错的解决方案。但以目前的科技水平来看，这种方案并不存在，甚至还相距甚远。

究其原因也比较简单。影像诊断过程是影像识别与知识推理不断交互的过程，推理影响着下一个影像识别的方向，而上一个影像识别的结果还会带入到下一个影像识别的判断中去。几个组合步骤下来，其变化出的方案可能达到十几种、几十种之多。还没有任何一种智能化的解决方案可以模拟医生的诊断思维过程，从而清晰地提高自动化水平。这与使用机械化系统替代人工的多个简单而连续的动作不同，也就无法像其他自动化领域那样提高效率而且保证质量。

从理论上讲，只要训练数据量足够大，一个AI模型可以涵盖多个图像识别的步骤与推理步骤。相比将这些步骤分成多个清晰而简单的任务，达到同样的临床效果，其训练数据量需求要超过后者2个或者3个数量级。将一个通用的诊断任务按照医生的诊断思路分解成多个清晰而狭窄的任务，每个这类任务通常只使用100-500例高质量的数据就能实现敏感性、特异性双高的训练结果。很显然如果这些子任务不能实现双高的表现，还需要人工干预、选择，就无法在续贯的自动化流程中运用。所以将完整的诊断逻辑分解，将每个组成部分简单化、清晰化，从工程角度上讲，是更加经济，更加可靠的解决方案。

在这类解决方案中，贡献最大是那些分解与定义这些任务的诊断医生；贡献第二影响因子是医院那些精心挑选的高质量病例；贡献排在第三位的是IT团队。

放眼整个影像诊断领域，这种“简单化”、“清晰化”的任务会有几百个，上千个之多，其组合逻辑方案也会有数百种之多。没有一个企业或者医疗机构有能力独立实现这些方案。就像影像学的诊断知识是通过专家共识分享一样，这些细致化的解决方案也只能由医生们创造，由医生们完善，在医生中分享。

通过分享快速积累复杂的解决方案，让影像AI无所不在地为日常诊断工作服务，从最小的细节做起，从组合逻辑做起。这也许就是ACR“民主的AI”的本质含义。让我们期待在明年的CCR2020盛会上能看到更多的这类解决方案，让影像CDSS走出象牙之塔。