2019年起，我国先后发布多项人工智能医疗器械指导原则和审评要点，积极推进人工智能医疗器械的科学监管。全球主要医疗器械监管机构近年来尤其是2022年发布了多份指南，基于各自国情和法规明确人工智能医疗器械监管要求。此外，医疗器械监管机构相关国际协调组织亦发布人工智能医疗器械相关文件，给出了相应的监管建议。
表1 人工智能医疗器械监管关注重点
人工智能医疗器械属于医疗器械软件的子集，故各监管机构均在医疗器械软件的监管框架下研究人工智能医疗器械的监管要求，即在质量管理体系的要求下采用基于风险的全生命周期管理的方法进行监管，包括网络安全与信息安全、云计算、移动计算等方面。有些监管机构未单独发布人工智能医疗器械文件，但并不意味着没有监管要求，而是从医疗器械软件角度考虑相应监管要求。以深度学习为代表的数据驱动类人工智能技术是当前人工智能医疗器械产品所用的主流技术，故各监管机构主要考虑此类技术带来的监管挑战。
1、上市前评价
上市前评价主要关注数据质控、算法评估等监管要求，以解决数据驱动所产生的问题。数据是人工智能技术的基础，数据量的充分性、数据质量的优劣性、数据分布的合理性、数据来源的多样性、数据标注的规范性、训练集与测试集的互斥性是数据质控的关注重点。算法是人工智能技术的核心，算法选择、算法性能指标、算法训练与调优、算法验证与确认是算法评估的关注重点。其中，算法验证与确认主要包括算法性能评估、临床评价，前者可采用性能测试、压力测试、对比测试等方式，后者可采用临床试验（含回顾性研究）、同品种比对等方式；根据产品预期用途和风险水平确定验证与确认方式，并可基于第三方数据库进行验证与确认。
各监管机构在此方面的监管要求基本相同，细节存在差异。美国、中国的监管要求较为全面细致，其中美国要求临床试验采用多阅片者多病例（MRMC）设计，较为严格；中国明确第三方测评数据库可用于算法确认，并提出其专用条件以供建库方参考。
2、变更控制
变更控制主要关注变更注册触发条件，以解决快速迭代所产生的问题。若软件每次更新均需进行变更注册，不仅会大幅增加企业注册成本，而且会占用大量监管资源，因此需要明确变更注册触发条件。原则上，重大更新需变更注册，轻微更新通过质量管理体系控制者无需变更注册，主要有两种方法：一是根据软件更新类型区分要求，若影响产品预期用途、基本性能指标、输入输出类型等则需变更注册，单纯有限度增加训练数据无需变更注册，这属于传统方法；二是采用“预定规格”进行控制，软件更新若超出“预定规格”范围则需变更注册，反之无需变更注册，属于新方法。
多数监管机构同时采用上述两种方法，细节存在差异。比如，在“预定规格”方面，美国拟实施预定变更控制计划，包括变更说明、变更方案、影响评估等，监管要求最为细致；中国结合软件版本命名规则明确“预定规格”，新加坡从3个方面细化“预定规格”，监管要求较为细致；日本、韩国仅做原则性要求。
3、信息透明
信息透明主要关注说明书信息披露、用户培训和算法稳定性分析，以增强黑盒算法可解释性。可解释性对于医疗决策至关重要，需要“知其然知其所以然”。美国和中国在此方面监管要求较为具体。
美国要求CAD类产品的说明书需披露算法性能评估信息、临床评价信息，提供用户培训方案，开展算法稳定性分析；中国要求辅助决策类产品的说明书需披露算法性能评估信息、临床评价信息，基于数据的算法还需披露算法训练信息，根据产品风险水平和用户专业程度提供用户培训方案，从输入输出角度开展算法稳定性分析。
4、生存周期质控
生存周期质控与良好机器学习实践本质相同。各监管机构和国际协调组织均在质量管理体系框架下，结合业界实践，明确人工智能医疗器械生存周期质控要求或提供相应建议。
美国联合加拿大、英国发布算法开发十原则提供生存周期质控建议，后续拟制定良好机器学习实践相关文件；中国明确生产周期质控具体要求，涵盖需求分析、数据收集、算法设计、验证与确认、更新控制；新加坡从开发者、使用者角度提供生存周期质控建议，包括设计、实现、测试、使用、监测、评估；AI4H从通用要求、上市前要求、上市后要求3方面提供生存周期质控建议。
5、真实世界监测
人工智能医疗器械上市后部署在真实世界，需要持续监测产品性能，深入评估算法泛化能力。若有不良事件需要及时报告，必要时采取干预措施，特别是持续学习。
在真实世界性能数据评价方面，各监管机构均处于发展初期阶段，监管要求大体相当，主要探索利用真实世界数据来评价算法更新等问题，需要考虑数据生成过程、评估指标确定等要求。
6、新技术评价
人工智能新技术评价不仅要考虑当前人工智能医疗器械所用新技术的评价问题，如合成数据、图像重建和降噪等，而且要根据人工智能新技术在医疗器械的应用趋势，结合其技术特征考虑评价问题，做好技术储备，如小样本、弱标注、非结构化数据等。美国从近期和远期两个维度关注新技术发展方向，如持续学习、合成数据、图像重建与降噪等，但尚未明确要求；中国对集成学习、迁移学习、强化学习、联邦学习、生成对抗网络（合成数据）等新技术进行原则性要求，对持续学习有明确要求；新加坡重点关注持续学习、合成数据，并明确相应要求。
持续学习是当前人工智能新技术评价的焦点，从责任方角度可分为制造商控制型和用户参与型。制造商控制型算法更新完全由制造商控制，从更新频率上可分为阶段更新（算法锁定）、持续更新，无论何种更新均需制造商再确认，故算法更新通常会提升算法性能指标，责任明确，风险可控。用户参与型算法更新由制造商和用户（如医疗机构、患者等）共同控制，存在以下问题：一是用户参与算法开发，需要承担制造商的法律责任，制造商和用户的法律责任不明确；二是算法更新结果存在不确定性，可能会降低算法性能指标，产生相应风险；三是算法更新存在定制化问题，比如同一算法部署在不同医疗机构，由于医疗机构的数据不同，经过相同时长的训练，不同医疗机构的算法更新结果亦不同，无法保证产品质量一致性。因此，各监管机构当前主要是明确制造商控制型持续学习的监管要求，用户参与型持续学习的监管要求尚在探索，比如，中国明确用户参与型持续学习可用于算法训练，但不得用于医疗实践；日本草拟了若干提议但尚未实施：医疗机构实施与制造商相同的质量管理体系，提供用户培训课程，为算法性能下降提供额外风险控制措施等。
7、重点产品评价
人工智能医疗器械产品种类繁多，不同种类产品特性亦不同，因此需要结合产品特点细化监管要求，尤其是重点产品。目前，全球只有中国发布了产品类规范性文件，包括肺炎CT图像软件、肺结节CT图像软件、糖尿病视网膜病变眼底图像软件3个重点产品。
8、我国监管现状与发展方向
我国对于人工智能医疗器械监管的框架、原则和要求，在上市前评价、变更控制、信息透明、生存周期质控、真实世界监测、新技术评价等方面与国际监管先进水平基本相当，在重点产品评价方面处于领先水平。
随着人工智能医疗器械新技术新产品的不断涌现，我国需要在现有工作基础上进一步加强人工智能医疗器械监管科学研究。一是持续开展人工智能新技术评价研究，结合技术特征明确监管要求；二是充分利用真实世界性能数据研究算法评估问题，特别是对算法泛化能力；三是深入研究用户参与型持续学习的监管问题，从法规、伦理、技术等角度明确责任分配原则和相应监管要求；四是结合技术发展趋势，深入研究算法可解释性问题。
结合监管科学研究成果，我国需要进一步推进人工智能医疗器械监管工作，以满足产业发展需要，实现社会共治。一是切实完善法规制订修订工作，如引入年度报告制度完善变更控制要求等；二是加速推进人工智能医疗器械指导原则体系构建工作，从技术、产品两个维度持续开展指导原则和审评要点制订修订工作；三是基于人工智能医疗器械创新合作平台（www.aimd.org.cn），充分协调监管科学研究基地、重点实验室等外部资源，进一步提高监管能力和水平；四是积极参与人工智能医疗器械国际监管协调工作，包括但不限于IMDRF、GHWP、AI4H等国际协调组织，努力提升国际影响力和话语权。
来源：彭亮,刘枭寅,张宇晶等.人工智能医疗器械国际监管比较研究[J].中国数字医学,2023,18(05):1-7.
