2020年開啟的新十年當中，影像診斷業務面臨的形勢與過去不同。

1　影像數據量的增長遠超人員的供給的增長

影像的數據量以每年20%-30%的速度增長，而影像領域醫技護的供給增長速度只有3%-4%。人口老齡化、健康檢查的普及化，影像學檢查的普及化，以及影像設備分辨率的提高是主要原因。影像診斷領域的人力資源供給根本趕不上業務量的增長。頭部的醫療機構尚可以依賴學術地位、成長機會與待遇差別獲取足夠的人力資源，對于基層醫療機構來講，缺少足夠的人力資源是長期的困擾。

2　影像知識的半衰期不斷縮短

另外一方面影像診斷相關知識的半衰期從10年下降到5年。這就意味著5年之間有一半的影像學相關知識過時了。隨著依托大數據的知識發現不斷取得進展，影像學知識的半衰期將有可能下降到3年。在日常繁重的工作壓力之下，如何能提升影像領域新知識學習的效率就變得比較緊迫了。很明顯，傳統的書本學習、外院進修、網課學習，還是直接閱讀文獻，都不是正解。
以診斷業務為例，單病種的診斷專家共識每隔2-3年就更新一次。每次更新都會添加新的影像表現和新的診斷邏輯。當一個單病種的診斷信息維度的復雜性和邏輯的復雜性到一定程度的時候，會超越診斷醫生的記憶能力。面對多種多樣的影像學表現，我們或者停下來翻書，犧牲效率，給出相對精準的診斷報告；或者忽略細節，給出自己不擔責、但對臨床也不見得有用的診斷報告。即便如此，我們還是擔心忙中出錯，所以才希望信息化手段能提供自動化的危急值報告、自動化的差錯糾正功能。

3　影像學決策支持系統（CDSS）將成為基礎設施

對比一下現在和未來：現在影像科室聘任30名診斷醫生，支付30個人的費用，干30個人的工作量；未來仍然是聘任30名診斷醫生，依賴于決策支持系統，要支付40個人的費用，但干得是50個人的工作量。未來必定是在人力資源增加不多的情況下，依賴影像決策支持系統CDSS，大幅降低單個業務的成本，不僅完成更加大量的日常工作，而且滿足醫療逐步個性化的需求。如果沒有臨床決策支持系統的幫助，這種愿景根本不可能實現。

4　影像決策支持系統的建設是系統性工程

在影像信息化領域，目前并不存在不降低效率，還能提升質量的通用技術手段。質量和效率存在著明顯的沖突。這不是說我們的理想是錯的，而是因為我們的決策支持系統還遠遠沒有聰明到能這樣幫助我們的地步。我們只能先從局部開始，在確保質量的情況下盡量提升效率，再擴展到其他疾病或者領域，最終覆蓋到影像的全領域、全流程。這個過程注定需要較長的時間。

從單個疾病的診斷領域來看，我們需要依賴影像學結構化報告來承載專家共識的數據維度和診斷邏輯，通過與影像后處理/影像AI的讀片信息整合，通過HIS/EMR系統的整合提取實驗室信息和病理信息，以及通過解剖導航圖等工具，加速診斷依據的自動化獲取程度，并依賴專家共識的邏輯部分自動化地進行推理，給出診斷醫生的參考意見。這樣才有可能保證質量/效率雙豐收。

每個診斷單病種的落地都是一場硬仗。除了診斷領域之外，申請、掃描、后處理/AI領域都對診斷有著巨大的影響。一個完整的影像CDSS必將包含申請、掃描、處理、診斷這4個環節。在這4個環節當中，每種疾病都需要個性化的解決方案。如果我們要覆蓋上百個、幾百個場景，那必將是一個龐大的系統性工程。

5　影像決策支持必定是共享模式的

影像決策支持的本質就是影像學知識加上知識對流程的植入。知識主要在醫技護的腦海中，這些知識是行業公共的財富，既不能成為專利，也不能進行銷售，大多就是像行業協會那樣收取會員費和少量維護費。忽略既有的知識，單純依賴數據生成解決方案的做法理論上可行，但成本極高，而且原理不清晰，并不是AI或者大數據技術在具體行業應用的正解。要想辯證地結合既有的影像學知識與大數據分析，高度依賴于醫學知識，而不依賴于高深數據算法。

知識植入流程是一項比較傳統的信息化業務。比如結構化報告要整合LIS/PIS的相關信息，需要針對每個數據元素進行個性化的ETL抽??；要從后處理/AI中獲取關鍵圖像和測量值，需要診斷每個場景個性化地設置消息格式。申請、掃描、后處理、報告如何融入到原有的RIS/PACS流程也是極為復雜的工程。這種整合沒有通用解，只能根據每個業務點去個性化開發、設置，所以流程整合并不是新型的云端服務業務，而是比較痛苦的傳統信息化業務。

面對這樣一個系統性的工程，沒有一家企業、一家醫療機構能全部實現。知識在醫生手里邊，而且知識本身是共享的；流程整合是傳統的苦差事。所以影像決策支持必然帶有共享和傳統兩種胎記。除非我們能利用標簽化的數據生產新的知識，否則這就是一個頂著偉大前途的傳統業務。

我們將共享什么？共享報告的內容包括：報告模板、報告的標簽數據、AI的模型等等。每個組成部分都不難，重復開發將造成巨大的浪費?；パa開發、分享交換才是推動影像CDSS進步的合理做法。