影像數據占據了醫療機構95%以上的數據量。相比臨床診療過程中的其他信息，不僅信息量大，而且整齊劃一，術語一致，是容易通過大數據挖掘進行持續改進的醫學細分領域。

一組大數據能否進行挖掘發現規律，分析的對象是有語義學含義的標簽，并非原始數據本身。越是原始數據其數據量越大，越是語義學含義的標簽數據其數據量越小。

影像學數據的標簽來自兩部分，一部分是對影像分析得出的發現，一部分是影像學文本報告當中由醫生附加的診斷信息。很多技術人員認為這兩部分加起來是影像大數據的核心數據，將其標簽化就得到了影像大數據的核心標簽。

在影像診斷領域，大多數的檢查，不能通過單純的影像分析得出診療結論。除了影像分析的Feature之外，還需參考電子病歷、個人健康檔案、可穿戴設備、醫?？芍Ц兜闹委煼桨?、用藥史/藥物禁忌癥知識、甚至基因的分析等資料來做出綜合判斷。這些資料可能通過問診獲取，也可能通過跨系統瀏覽獲取，還可能通過閱讀紙質資料獲取。

如果將各種信息系統之間的網絡打通，讓機器自己去學習這些資料，是否就能取得與放射科醫生相同的診療效果呢？結論是不能。美國人做了一些臨床試驗，證實了放射科醫生參與的檢查，診斷準確率要超過單純的機器診斷準確率。

這個結論是顯而易見的，機器要超越人還有很長的路要走，背后的原因也不難分析。首先，當前的影像AI功能比較窄，分析的信息維度較少；而放射科醫生閱讀圖像基本是一次性將所有可能的維度都閱讀齊；其次，放射科醫生閱讀這些影像發現的時候，背后運用了參考診斷/鑒別診斷邏輯，能區分輕重緩急，前因后果；而機器可能看不到這些細節，也可能并列這些發現，還不能進行推理分析；第三，周邊的信息系統中的數據仍然是自然語言，NLP技術結合機器學習，在提取規律方面很強，但針對單個患者的定向挖掘不夠準確，尤其在時間/空間的分辨上有難度；而人理解這些資料是很容易的。

放射科醫生分析、獲取了這些信息之后能放在哪里呢？其實除了影像學報告，他們并沒有第二個電子文書可以存儲這些信息。注意，影像學報告的信息量其實是大體涵蓋了影像分析當中有價值的部分。到了2017年的RSNA，基本上確立了以影像學報告的標簽為影像大數據的核心標簽概念。影像學報告包含了放射科醫生的主觀認識，再加上周邊信息系統的信息分析，再拿去做分類，并將新患者的數據進行匹配，進而做出各種預測是更加合理的大數據業務思路。