醫學影像是醫生看病，及決策的最大的資訊入口。而醫生理解這些影像的本質，即是醫生大腦經過長期的過程被大量資料訓練出來的結果。一個客觀事實是，高中低年資的醫生在看同一張片子時候，得出的結論會有天壤之別，這也是為什麼我們要去協和找“老大夫”看病的事實依據。國內病理科醫生在冊的有1萬多人，但經過我們的訪談，認為國內需要大約6、7萬的人才能滿足需求。但病理醫生的培養週期特別長，北京某著名醫生的病理科主任曾跟我說過，他們醫院45歲以下的病理科醫生會診時沒有發言權。因為細胞本身的差異非常大，醫生也就要經過大量的訓練才行。

這是因為看病的效果和從醫的年限高度相關，而從醫的時間長短不同意味著所接受的資訊量不同。那麼如果一臺機器學習了比人類醫生多得多的案例或者圖片，會不會超越人類呢？答案一定是肯定得。這也是應用深度學習技術訓練計算機“看懂”醫學影像的意義所在。
要完成這個事情，需要有兩個必要條件。第一，適應於具體問題的演算法；第二，高質量的標註資料。演算法開發是一個難點，但相對比較容易搞定。高質量的小批量標註資料我們也已經獲得，但是如何進行大批量資料的標註，以及標註質量控制確實是一個比較困難的問題。這涉及到最核心的資源，即高質量醫生的時間與效率。除了時間，更重要的是如何做質量管控，比如同樣一張圖，標準及答案是什麼，誰定義答案，由幾個醫生來標註，標註的是幾個階段，是盲標還是非盲標。這些都是要考慮的。