时常会听到圈内的朋友抱怨"学不动了"。确实如此，前端技术的横向发展和迭代速度实在是太快了，然而人的精力却是有限的，在中高级的技术进阶阶段，广撒网式的学习方式往往会适得其反。那些调侃程序员的中年危机的段子，说不好哪天真的变成了现实，那么前端er到底该如何构建自己的技术护城河？
就目前看来，前端发展的主要领域集中在：工程化、音视频处理、服务端（中间层或服务端渲染）、多端化（小程序，RN等）、以及本文即将介绍的图形图像处理。选择一个细分领域进行聚焦，持续深入的耕耘, 或许是个不错的应对之策。
说起图形图像处理，大家很容易联想到canvas实现的数据可视化或动画特效、openGL或webGL实现的三维模型等。从2015年开始，在AI算法和框架的引爆下，人脸识别等领域的商业化应用相继落地。与此同时，在医疗领域同样也掀起了一场革命，人工智能借助医疗影像大数据及图像识别技术，在肺结节、眼底、乳腺癌、宫颈癌等方面已取得了较为成熟的产品。
AI医疗井喷式的发展使得AI算法工程师炙手可热外，医疗软件研发和系统工程师也成为了下半场最抢手的人才。原因在于:
这里的软件工程师，往往要求是具备一定医疗软件开发经验的。放射科检查流程、医学影像基础原理、DICOM协议，这些都要多少知道一些。另外，在一个商业产品化的医疗影像分析诊断软件中，AI算法（深度学习模型）其实只占整个系统的20~30%，或更少。AI算法是整个系统中技术含量最高的部分，但绝对不是工作量最大的部分，也不是研发投入最大的部分。现在的软件基本都是网络化，从服务器端，到网页端或客户端，必然包含UI、通讯、数据库、存储等一系列必须开发的组件或基础架构。这些组件的开发往往要整个软件系统的70%或更多。这里，还没有包括持续发布、自动化测试、安装包等辅助基础设施的搭建。所以，现在几乎每个AI公司都已经成立了专门的软件组（部）---《医疗影像AI下半场，什么人才最抢手？》
这里所提及的Cornerstone, 是一套基于javascript语言实现的医疗影像库。正如其名"基石", 它的诞生, 使得在浏览器的web上显示高清医学影像成为可能，要知道此前的这类应用只能由开发客户端的C##等语言才能实现。Cornerstone除了处理图像移动、缩放、旋转、标注、测量、滤镜、图片融合等基础功能外，还提供了医学图像特有的窗宽窗位调整，借助其他生态配套库还可以实现MPR(多平面重建)。
