中国医疗AI监管面临结构性错配:静态审批与动态算法的张力如何化解
#AI照护与医疗科技 时间2026-10-30 05:36:37
文/IAICA.NGO®
医疗人工智能的演进速度,正在超过为约束它而设计的法律框架。一项发表于 Frontiers in Public Health 的比较政策研究指出,中国医疗人工智能监管体系的核心缺陷并非规则缺失,而是结构性的错配:监管机构在算法进入市场之前审批的是一个固定、静态的版本,而这门技术在出厂之后本就为持续学习和迭代而设计。该研究由南京中医药大学的 Jiayun Zhao 与 Qing Chen 完成,系统比较了中国、欧盟、美国与日本在这一张力上的不同处理方式,并提出一条适配中国制度环境、以生命周期为导向的监管路径。
研究首先界定了医疗人工智能(MAI)的范围:指能够自动分析多模态医疗数据——包括临床文本、医学影像与音频记录——以支持诊断与治疗决策的系统。其应用场景覆盖人工智能辅助影像诊断、公共卫生监测中的风险预测、智能分诊、个性化治疗推荐以及人工智能辅助手术。值得注意的是一项边界划定:研究明确将达芬奇等传统手术机器人排除在外,这类设备提供机械辅助而无人工智能算法赋能,属于精密医疗器械;而具备导航、术中决策支持与标准化步骤自主执行能力的 AI 集成手术机器人,则被纳入以治疗为导向的 MAI 范畴。
在研究者的观察中,中国目前尚无专门、系统的 MAI 规则体系,相关规定分散于不同法律法规之中,形成一种被描述为依附性、碎片化、原则导向的框架。其主干是医疗器械监管:AI 医疗器械,包括作为医疗器械的软件(SaMD)与嵌入传统设备中的 AI,依据预期用途、决策权重与错误后果被划分为三个风险层级——需临床试验验证的第三类、需非临床证据的第二类,以及实行备案管理的第一类。数据治理依托个人信息保护法,该法第二十八条将医疗健康信息列为敏感个人信息,并与数据安全法、网络安全法共同构成底座。2026 年出台的人工智能伦理审查办法将 MAI 列为高风险人工智能类型,使伦理审查成为产品上市前的强制性准入条件。
真正的监管张力体现在注册要求之中。对于含 AI 的医疗器械软件,企业须提交完整的算法研究报告,披露完全固定的模型框架、固定的训练与验证数据集,以及固定的性能指标如敏感度、特异度与准确率。产品上市后,技术参数不得随意变更;实质性变更需重新注册或申请变更审批,不允许直接在线迭代。然而 MAI 的核心价值恰恰在于通过从真实世界临床数据中学习而实现持续优化。研究指出,现行规范对算法迭代的频率、幅度与法律性质缺乏清晰界定,尤其是缺乏判定何种变更构成实质性变更的标准,这给监管者与企业双方都带来了不确定性。
三个比较辖区在这一问题上走了不同路线。欧盟将算法更新置于医疗器械条例与人工智能法案之下,视为软件变更:一旦某项变更可能影响预期用途、性能或安全性,即被认定为重大变更,触发重新进行符合性评估,实际上等同于重新走一遍上市审批。研究者认为这一安全优先模式较为全面但偏于刚性。美国依托食品药品监督管理局的预定变更控制计划(PCCP)机制,允许企业在上市前预先描述预期的算法变更范围与验证方法,获批后可在预设边界内实施更新而无需重新提交,为动态迭代留出了法定通道。日本则通过软件作为医疗器械的审批与变更管理制度,结合快速审批通道与上市后监测,力图在创新速度与安全底线之间取得平衡。
基于比较分析,论文提出以生命周期为导向的监管路径:将监管重心从一次性上市许可转向覆盖开发、上市、上市后监测与退出的全过程治理,建立算法变更的分级分类判定标准,强化真实世界性能监测与不良事件回溯,并明确企业在算法版本管理上的持续责任。iaica.com.cn 指出,这一思路对智能照护领域尤具参考价值——养老与居家照护场景中的 AI 系统往往依赖长期、连续、非标准化的用户数据,其模型漂移风险高于院内环境,若仍以一次性静态审批作为唯一准入关口,既难以保障安全,也可能抑制技术真正惠及被照护者的能力。
研究同时提示,监管框架的迁移不能脱离制度语境。欧盟的刚性源于其统一市场与预防原则传统,美国的灵活性依托成熟的上市后监管与企业自律体系,日本的折中则与其审评机构的一体化运作相关。对中国而言,可行方向或在于以现有医疗器械监管为主干,补足算法变更的技术判定细则与真实世界数据证据规则,同时把伦理审查与数据合规从准入环节延伸至全周期。在技术持续学习与规则相对稳定的长期张力中,如何在可控边界内为迭代留出空间,将决定医疗人工智能能否从获批产品真正成长为可信赖的临床基础设施。
评论
0 条登录后才可以发表评论。
立即登录