有几个因素同时推动人工智能在放射学中的整合。首先，在世界上许多国家，接受过放射学培训的医生数量与对诊断成像的需求不断增长之间存在差异。这导致对工作效率和生产力的更高要求。例如，2012 年至 2015 年期间，英格兰放射科专家（顾问劳动力）的数量增加了 5%，而同期 CT 和 MR 扫描的数量分别增加了 29 个和 26 个百分点。在苏格兰，差距进一步扩大（皇家放射科医师学院，2016 年）。今天，放射科医生平均每 3 到 4 秒解读一次图像，每天 8 小时（Choi 等人，2016 年）。其次，当今扫描仪的图像分辨率不断提高——导致数据量越来越大。事实上，估计的整体医疗数据量每三年翻一番，这使得放射科医生越来越难以在没有计算机数字处理的额外帮助的情况下充分利用可用信息。在放射学研究和临床诊断中，希望能够定量分析这些大量未开发的数据，例如，利用新的可测量成像生物标志物来评估疾病进展和预后（O'Connor et al. 2017） .专家们看到放射学从定性解释学科转变为定量分析学科的巨大未来潜力，定量分析从广泛的数据集（“放射组学”）中获取临床相关信息。 “图像不仅仅是图片，它们是数据，”美国放射科医生 Robert Gillies 和他的同事写道（Gillies et al. 2016）。当然，放射学的这个方向将需要强大的自动化程序，其中一些至少将属于人工智能领域。