影像學結構化報告在規范診斷思路、提高診斷質量、積累大數據標簽都方面有獨特的優勢，成為近年來影像學報告改進的主要方向。

影像學結構化報告從“設備類型/部位”為索引，逐步發展到“部位/檢查目的”為索引的單病種模式。因為在單病種模式下診斷報告所關注的數據維度降低了，推理邏輯變得清晰了，投入產出比更加清晰，更容易取得臨床效果。

影像學診斷報告不會為了形式上的結構化而結構化。結構化報告的初衷是希望能幫助一線診斷醫生思考問題，同時積累下高質量的標簽數據。在以下四種情況下，結構化報告確定能幫助醫生的。

首先是解剖結構比較復雜，需要記憶的東西很多，就可以考慮通過解剖導航圖來進行提示，并將這些解剖部位與病理特征的診斷、周邊組織器官的關系放在模板當中。

其次是診斷邏輯雖然不難，但比較龐雜，需要記憶的知識很多，比如ACR-xRADs、腫瘤的TNM分期等。

第三，后處理/影像AI/的發現的關鍵圖像與測量值，或者臨床信息中有價值的背景信息，希望通過報告能記錄下來，以便清晰診斷邏輯，或者提供給臨床醫生、患者參考。

第四，臨床治療方案需要較多、較規范的信息，這些信息往往與診斷類型無關，而且是單病種個性化的，這種情況下讓放射科醫生通過記憶來撰寫就變得不現實了。

上述這些特征都指向單病種的診斷邏輯。這些場景在實際業務中能對一線診斷醫生產生實際的幫助，才是結構化報告的用武之地。而相反的，某些場合就非常不適合使用結構化報告。

首先特別簡單的報告沒必要結構化。比如不明顯的肋骨骨折，通過影像AI發現病灶和位置并進行簡單描述即可。這個報告甚至都可以由影像AI或者后處理系統自動完成。這種情況下顯然沒必要使用結構化報告。

其次特別復雜的報告也沒必要結構化。比如某個疾病侵犯了很多器官，或者單個器官存在多種并發癥。這種情況下使用結構化的描述，幾乎很難幫助診斷醫生思考問題。在這種復雜生理/病理狀態下的診斷，首先考驗的是診斷醫生獲取全部病理特征的能力與細心，

其次是運用參考診斷、鑒別診斷的推理邏輯分析得出當前場景下，應該診斷哪些疾病并做出描述。CDS系統距離在這種情況下幫助醫生思考問題還有差距，這有待于影像AI和診斷知識圖譜的進一步發展才能在這種復雜情況下幫助到醫生。