刘士远主任在接受雷锋网采访时，对这一要点作了进一步阐释：未来的趋势在于，是在信息化系统或者设备工作站系统中整合各类医疗AI应用，通过一个统一的入口来提升医生的工作效率，提升临床医生、影像医生的使用获得感。

当然，解决这个问题的核心，还在于医院领导和信息化部门的思维创新，即开不开放信息化系统的接口；以及如何辨别不同医疗AI产品的差异性。而第二点，这就回到了产品考核体系的问题——建立一些客观的行业标准。

标准，一直是医疗AI行业数年来一直讨论不断的话题。

围绕数据库建设和行业标准的问题，刘士远主任非常健谈：“现在行业缺少的就是标准，每个环节都是。虽然已经有企业拿到三类证，但是这仅仅是一个开端。进入临床以前，任何一个医疗产品都要有效果考核体系，要考核有效性、安全性、稳定性。”

在今年几款医疗AI产品获批的条件下，刘士远主任预判：在进入临床应用之前，医管局将会进一步加速评价体系的工作进度。

然而，从微观层面来看，肺结节、冠脉、脑肿瘤，这些不同病种的评价标准不一致，数据库建设的维度很多、难度很高。因此，完成这件事情需要依赖行业协会的核心专家，如果没有核心专家的参与，标准的制定很难符合实际情况。

除了监管和行业协会，从几年前起，不同的医疗AI公司也组织相关人力，对医学影像数据进行梳理、标注，形成了一个个的小数据库。但是，这样的数据库有若干问题：一、数据的采集、标注数据的质量如何界定？二、数据采集的合法、合规，是否存在“灰色地带”？

当然，这只是在数据采集阶段面临的一些难题。

除此之外，在产品的研发环节、验证环节、使用环节的标准都需要建立。这是因为，数据库系统建设是一项庞大的工程，需要逐步推进；其次，AI产品具有特殊性，本身的性能表现也具有波动性；再者，产品的敏感性和特异性是“一个跷跷板的两端”，评价AI产品的性能也是一个动态的过程。

所有的一切都在变化，这就需要数据库建设的参与者，做好“持久战”的准备，不断更新思维、更新方法。

刘士远主任表示，数据库建设是人工智能发展的一个核心问题。虽然人工智能的算法、算力在不断进步，但是数据永远是硬道理，数据库的建设是一件“非做不可”的事情。

“高质量标注的数据，一定是AI上下游所最需要的，也是政府监测、检测、评价所需要。”

基于这样的考虑，2018年，刘士远主任就曾牵头建设一个带有“示范性”和“实验性”的库，其中包含600多例放射影像数据。