常见的医学影像数据有如下几种：从早期的X线，到后来的CT，超声，核磁共振（MRI），到现在的正电子发射计算机断层显像（PET-CT）。各种设备不断出现，对病灶的观察越来越精确，已成为临床诊断最重要的依据之一。

　　医学影像数据数量增长非常迅速，成为了真正意义上的大数据：一是数据种类多，且新的成像方式还在不断涌现；二是数据增长快，据相关数据显示, 2020年医疗数据将达35ZB, 为2009年的44倍，其中医学影像数据占绝大部分；三是数据体量大，一家大型医院历史影像数据量为50-200T左右，每年新增20T－50T左右；四是价值密度低，LUNA16数据库CT影像数据111G，只包含1186个结节信息。

　　银河galaxy官网

　　与数据快速增长相对应的，是不满足需求的诊断方式。现有的医学影像方法主要靠医生人工读片，由于有经验的影像科医生培养周期长，加上优秀的资源分布极不均衡，导致患者预约拍片时间长、以及拍片后的等待时间长。由于医生的工作量大，以CT为例，一个医生一天要看上万张影像，精神高度集中，容易疲劳，人工误差不可避免。为了缓解医疗资源紧张，有的公司开发了辅助诊断系统，但是这些辅助系统大多是事先创造一套规则，程序根据规则对影像进行处理，由于规则难以穷尽,这些系统应用到现实复杂的环境中通常准确率不高。而且这些辅助系统增加了医生的使用难度，实际使用效果不理想。

　　海量的医学影像数据，迫切的现实需求，高效的图像识别算法，加上强大的计算能力，需求、数据、算法、计算等因素综合在一起，为医学影像的智能诊断带来了难得的历史机遇。

　　一旦智能诊断成为现实，其相比原有的诊断方式的优势是非常明显的。由于强大的云计算和大数据的支持，基于深度学习的智能诊断可以短时间内快速达到普通影像科医生的水平，并且诊断过程可以在瞬间完成，一旦完成训练，“智能诊断服务”可以快速复制，边际成本非常低。