1　單病種是結構化的利器

近年來醫療信息化系統普遍向大數據和決策支持領域靠攏。不僅是影像診斷領域，在病理系統、實驗室系統，甚至?？齐娮硬v系統當中，結構化都是通用的殺手锏。

RSNA曾經在2014-2015年的時候整理出286個結構化報告。這些結構化報告覆蓋所有的影像設備和檢查部位，是按照設備/部位來分類的。在推廣中發現這些報告很難得到影像科醫生的響應，主要原因是按照設備/部位來設定的報告與任何單病種無關，其影像報告的元素需要覆蓋各種疾病的維度，范圍太寬，填寫效率比較低。

而單病種的報告只需設定與單病種相關的信息元素，而且可以內置單病種的診斷邏輯，與后處理/HIS-EMR建立清晰的對應關系，從使用效率上來講得到很大的提升。所以目前結構化的影像學診斷報告基本上是按照單病種設置的。 

2　影像大數據的核心是報告的標簽

影像數據占據醫療信息化數據的90%以上，總體價值很高。但如果影像數據沒有標簽，就沒有使用價值。越是數據量大，沒有標簽的數據價值越低；越是標簽清晰，結構化的數據，數據量越小，價值越高。在2017年之前，一些技術類專家普遍認為影像數據的核心標簽是從圖像中提取出來的各種數據分析標簽。

2017年RSNA上報道了美國一些醫療機構做了研究，發現在通過machine learning分析數據過程中，加上/不加上放射科醫生的人工參與，最后的臨床效果差別顯著。原因有三個：首先只讓AI看圖像，是獲得單個領域的屬性。而放射科醫生看圖像，會獲得幾乎所有疾病領域的信息；其次圖像之外的其他信息通常都是自然語言的，現在的NLP分析對于事件在空間和時間上的提取有理論上的缺陷。人閱讀各種問題獲取的信息更加準確，而且維度更具多樣性；第三放射科醫生如果能看到患者，對于患者的文化水平、信仰、支付能力、生存愿望等會有一些主觀認識。放射科醫生獲得的所有這些信息，只能表達在報告當中，而不是別的文檔當中。這份影像學報告，再加上周邊這些信息的NLP分析，再去做分類和預測，才是當前階段最合理的做法。由此最終確立了影像學報告的標簽是影像大數據的核心標簽。

3　影像學大數據標簽的價值

從質量管理的角度上來講，一個系統如果不可測量，就不可持續改進。影像學單病種結構化報告的出現使得影像學診斷第一次將過程和結果全部數據化了，實現了可測量、可分析，進而實現可持續改進。

影像學大數據標簽的核心價值是幫助我們持續改進診療規范。通過與治療方案、病理結果、隨訪信息的整合分析，可以將各種診療規范的改進推廣到人力所不及的階段。這些診療規范包括：做出診斷的判別、推測組織病理類型、評估治療方案、給出生活方式的建議、防止不良事件的發生、選擇篩查方案，以及給出生存預測等。

影像學報告的標簽還可以用于評價醫生的工作質量與效率，進而評價其在多個專業領域的能力分布模型。這種評價對于醫生的持續培訓、日常工作中的患者分配都有密切關系。

影像學報告的標簽還是流程大數據的組成部分，與其他流程數據一起，可以用于流程的分析、優化與調整。診斷大數據與流程大數據是相輔相成的兩個部分，一個用于改進診療決策，一個用于改進流程決策。

4　影像學結構化報告的優勢

首先，如果一個檢查涉及的解剖結構比較復雜，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，某些單病種的診斷邏輯雖然不難，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。將這些知識內置在報告模板當中可以極大地降低一線報告醫生的勞動強度。

第三，后處理/影像AI/產生的關鍵圖像與測量值、分析圖表，往往是強診斷依據，影像科室希望能在報告中繼承下來，成為清晰診斷證據，并提供給臨床、患者參考。

第四，臨床科室希望影像報告提供與臨床治療方案相關的信息，這些信息往往與診斷類型無關，只與治療方案有關。但病種繁多，影像科醫生不見得能記得住。這種情況下，用結構化報告承載這些信息就非常方便了。