1　影像診斷業務到了變革的前夜

隨著人口老齡化、健康篩查的普及、影像設備精度、速度的提高，診斷醫生面臨的影像數據每年以20%-30%的速度在增長著。另一面，醫學院校培養的診斷醫生僅能滿足診斷整體人力資源每年3%-4%的增長。對于多數醫療機構來講，通過招聘滿足診斷需求，難度越來越大。

隨著信息系統的普及、數據分析/挖掘的深化，影像學的診斷知識飛速發展，其半衰期從10年下降到5年，甚至下降到3年。也就是說每隔5年，影像診斷知識的50%都會變得陳舊過時。診斷所涉及的數據維度和推理深度大幅增加，正在超越醫生的記憶極限?，F有的進修、網課、培訓班、學術會議等學習方式各有千秋。從參與人員的廣度和診斷知識的覆蓋面來講，這些方法尚不能滿足系統性提升診斷隊伍整體水平的迫切需求。

現有廣泛使用的復制/粘貼報告技術效率很高，但質量堪憂。無論采用什么質量控制方法都屬于馬后炮，并不能改變這種局面。

我們內心深切地意識到這需要改變。但怎么改變？從哪里開始改變？一直沒有清晰的答案。

2　應用影像決策支持技術是出路

我們隱約意識到影像決策支持是改變現狀的出路。所謂影像學的決策支持，是將影像學的知識植入到現有的RIS/PACS流程當中（決策支持 = 知識 + 流程）。只有將知識變成日常診斷工作，天馬行空的高深技術才能被使用起來；只有將工具植入到日常工作流程中，才能低成本、規?；厥褂闷饋?。完整的影像決策支持包含申請知識庫、掃描知識庫、后處理（影像AI）、診斷知識庫四個環節。這些知識庫是按場景/病種劃分的，所以規模巨大，內容龐雜。

傳統的流程系統為我們記錄了各種過程信息，但還是讓醫技護自己去系統當中人工查找資料。決策支持系統則根據業務場景，自動化地將相關數據自動從周邊信息系統提取出來，并根據影像領域的專家共識進行自動化地推演，將一個大體的結果呈現給醫技護，從而大幅度提高他們的工作效率和工作質量。

暢想一個場景：傳統模式下醫療機構聘任30人，支付30份工資，干30個人的工作；未來使用決策支持系統之后，仍然聘任30人，但支付40人的工資，干50個人的工作。這個場景提示我們決策支持業務的2個本質特征。首先影像決策支持的業務版圖在影像診斷的人力資源領域；其次在滿足醫療個性化的復雜性和質量的前提下，平均單個患者的診療成本是降低的。

影像決策支持系統并不取代醫技護的崗位，而是取代他們的體力勞動和簡單的推理勞動，將他們的工作推向更高的診療分析境界。

3　語義學標簽是高階影像應用的基礎

在2017年之前，影像的標簽一度被認為就是影像的大數據本身。隨著技術與臨床業務的不斷整合，技術專家們逐步認識到一個疾病的診斷需要基于好幾組影像學表現，還需要參考臨床表現，再加上專家共識的推理過程。這些信息的載體只能是影像學報告，而沒有第二個醫療文書能替代。完整意義上的診斷報告是包含影像的測量值和關鍵幀的，還包括臨床領域的、與該診斷相關的信息維度。由此影像學大數據的核心標簽是影像學報告的標簽這個概念得以被廣泛接受。

在影像領域有很多高階應用。比如撰寫畢業和科研論文；向臨床提供圖文混排的報告發布；實現復雜語義學的危急值報告；對報告的質量和效率做出評價；基于績效進行規范化培訓的安排與自動化的考核；探索中國人自己的專家共識等等。所有這些高階應用都必須基于結構化的標簽。

影像決策支持的完整鏈條從申請開始，延伸到掃描、后處理和診斷環節。在這四個環節上，每個單病種都是一個近乎獨立的知識庫。另一方面持續迭代是任何一個CDSS的精髓。上述四個領域的知識庫要進行持續迭代，都需要通過HIS/EMR/隨訪系統獲取治療方案、病理結果和預后情況。如果這些環節上單病種的知識庫都去建立接口，網絡連接將重回蜘蛛網狀態。診斷報告系統位于影像學檢查流程的輸出環節，本身就需要抓取這些信息。結構化報告系統有責任將這些標簽化的信息，結合報告當中的其他診斷信息，無私地反饋給前端的各級知識庫系統，使得它們的持續迭代得以開展。所以結構化報告系統處在影像學決策支持系統持續迭代的核心環節上。

4　影像診斷業務是多種技術綜合運用的舞臺

將影像學的知識融入流程，在實際業務中提高質量和效率的同時，不斷產生新的標簽數據；基于標簽化的數據分析得出新的診斷知識；再將知識植入到流程當中產生新的生產力，形成持續迭代的閉環反饋。
為什么至今我們還沒有一個清晰的技術方案能在日常診斷中帶來革命性的改變呢？這個原因在于真實世界的影像診斷業務不僅內部邏輯復雜，而且跨越的場景眾多，需要綜合很多相關技術，一個一個場景地去解決問題。這必然是一個漫長的過程。

從診斷的邏輯層次來講，我們可以分成三種境界。最基礎的層面是正確識別影像的生理特征與病理特征?？紤]到疾病眾多，疾病在不同的影像設備下的表現不同，這些基礎性的圖像識別場景就有幾百種甚至上千種之多。這種影像場景識別的工作非常耗時，偏體力勞動，人的識別能力是最終的判斷標準，所以是適合AI來做的工作。其次，很多疾病都運用參考診斷/鑒別診斷的邏輯，診斷醫生連續運用看圖-推理-再看圖的工作過程，這類組合可能性超過千種之多。這塊就需要看圖和推理的混合技術了。第三個層面是跨科室的臨床思維（類似MDT思維）。這類邏輯的學術本質是跨本體的知識互聯，是一個與影像AI、參考/鑒別診斷技術相互獨立的技術領域。結構化報告工作在后兩個層面，它的邏輯基于影像學領域的專家共識，這些共識都是有堅實的統計學證據支撐的，屬于白箱推理。這些邏輯本來就是診斷的基礎，相比基于大數據分析的預測，更容易被醫生們理解與接受。

單純的影像AI應用和單純的結構化報告應用，在真實的診斷業務層面上都有能力缺失，或者效率低，或者缺少依據醫學知識推理的能力。只有將它們有機結合起來，才能真正地在診斷過程中同時提高質量和效率。

影像AI也好，結構化報告也好，在不同的業務場景下的應用價值不一樣。在健康篩查、判斷骨折、出血等業務場景下，不需要復雜的多場景影像分析和推理，AI與傳統的模板型報告也很好用。在腫瘤的TNM分期、心臟血管影像、肌肉骨關節影像方面，要寫一份報告本來就很花費時間，這時使用結構化報告不僅提高效率，同時還提高質量。如果還有AI的助力，那簡直就快實現診斷自動化了。在復雜業務場景下，比如涉及多器官/組織的侵犯，存在合并癥/并發癥的的情況，因缺乏專家共識，也沒有足夠多的數據積累，所以AI和結構化報告都很難幫得上醫生們。這種復雜場景的決策支持有賴于單病種決策支持的拓展，以及不斷完善的跨本體的知識搜索，才能逐步得到解決。

無論在什么業務場景下，診斷的數據維度和推理邏輯永遠相伴，所以影像AI和結構化報告始終是共同上陣、相互提攜的親兄弟。

5　互補分享是決策支持業務發展的基石

科研的成果層出不窮，數據的復雜性、推理的復雜性越來越高。如果不能植入到流程中，僅憑醫生們心領神會，幾乎不可能被廣泛和高效的使用。這不僅意味著浪費，而且沒有業務系統數據的持續滋養，這些成果也很難持續發展。將知識植入流程，重要性不亞于知識創新本身，這需要分享的氣魄，也需要特別的耐心與堅韌。

以結構化報告的創建為例，整理知識并用于流程是極為困難的工作。嘗試過此工作的很多專家團隊都有很深的感悟。其原因包括專家共識的描述不規范，共識本身存在著邏輯漏洞，其思維路徑和看圖路徑不相符等等。專家共識還在持續改進，每次版本升級都是一項同樣艱苦的工作。不僅單病種結構化報告開發艱苦，AI的開發也是如此。影像診斷涉及的病種多達幾百種，雖然在技術架構上有通用性，但診斷邏輯確是獨立的，每個病種都需要個性化地設計、改進和迭代。

很難想象少數的醫療機構和企業能將整個影像診斷的決策支持系統開發完畢。只有通過互補的開發和分享才能實現這個目標。影像學知識的積累離不開標簽?；?ldquo;特性-分類-預測”的影像診斷邏輯在這三個環節上持續細化，是包括影像診斷知識在內的所有醫學知識的進化邏輯。在歷史上影像學的知識通過分享傳播和改進，形成了影像診斷知識能持續發展的基礎。

分享標簽存在著風險。因為其他相關方能看到本系統生成的結構化數據，不僅人家可以用，而且還能基于此反推前端的業務邏輯。但不予其他系統分享標簽，流程就無法實現自動化銜接，就不能走出本系統的局限性。這種風險更大。在通過分享標簽實現的決策支持業務中，為客戶創造價值，提高效率、提高質量，是評價指標。我們因此期待更多的單病種AI與單病種結構化報告緊密整合，多管齊下，積少成多，逐步改變影像診斷業務的生態環境。