十年监管演进：全球AI医疗器械规则与研究的2015—2025

十年监管演进：全球AI医疗器械规则与研究的2015—2025

Introduction

当一台Medical AI产品的算法每隔数月就会因新数据而更新一次，监管机构究竟该批准什么？是批准一个固定版本的软件，还是批准一套允许它在边界内持续演化的规则？

这个问题在过去十年里从学术假设变成了真实的政策工程。2025年7月17日，《Frontiers in Medicine》监管科学栏目发表综述《A decade of review in global regulation and research of artificial intelligence medical devices (2015–2025)》，由沈阳药科大学与中国医学科学院北京协和医院的研究者共同完成。研究以PRISMA流程系统梳理了2015至2025年间美国、欧盟、中国、日本、韩国五大市场的AIMD监管政策与学术研究，最终纳入73篇学术文献与27份政策研究。

这不是一篇技术综述。它讨论的是规则——而规则，正在成为AI医疗产业化最现实的变量。

Industry Context

AI医疗器械（AIMD）指以机器学习算法分析多模态医疗数据、并作为医疗器械受到监管的软件或软硬件组合，应用场景涵盖实时脓毒症预测、自动化视网膜病变筛查与癌症风险分层等方向。

问题出在两个技术特征上：自适应学习（adaptive learning）与算法不透明性（algorithmic opacity）。

传统Medical Devices的监管逻辑建立在一个隐含前提之上——产品在获批时的形态，就是它上市后的形态。而基于机器学习的SaMD（软件即医疗器械）恰恰相反：它会随数据积累而持续变化。这使监管机构必须同时回答两个相互拉扯的问题：如何确保患者安全，以及如何不把Healthcare Innovation扼杀在审批环节。

Key Developments

美国：从预认证试点到预设变更控制计划。 FDA的路径最为完整。2017年的Digital Health Innovation Action Plan推动数字健康产品的监管现代化，并启动软件预认证（Pre-Cert）等试点项目；2019年的讨论文件《Proposed Regulatory Framework for Modifications to AI/ML-Driven Software as a Medical Device》提出以全产品生命周期（TPLC）为导向的监管模型，其核心机制是预设变更控制计划（PCCP），允许厂商在上市前提交中预先设定算法更新参数，从而在获批的安全边界内进行上市后修改。2021年的AI/ML软件行动计划将这一框架正式化，并强调上市后性能监测；2023年的PCCP上市提交指南草案进一步明确了算法变更的可允许条件与提交要求。

欧盟：以风险分级切入。 欧盟《人工智能法案》（AI Act）为AIMD引入了基于风险的分类要求，将AI系统的合规义务与其对健康安全的风险等级挂钩。

中国：技术审评指南先行。 中国国家药品监督管理局（NMPA）于2022年发布AI医疗器械技术审评指导原则，为境内AIMD申报提供了相对明确的审评依据。

日本：为“会变的AI”设计框架。 日本医药品医疗器械综合机构（PMDA）构建了自适应AI监管框架，试图在算法问责与监管灵活性之间取得平衡。

韩国：同步推进。 韩国食品药品安全部（MFDS）亦在建立本国AIMD监管路径。

综述以比较表格的形式，对五地在监管思路上的差异做了并置呈现——这些差异，正是跨国企业合规成本的真实来源。

Market Implications

监管框架的形态，直接决定资本愿意为哪一类公司买单。

PCCP一类的机制若被更多辖区采纳，意味着AIMD企业可能实现“一次审批、持续迭代”，算法更新不必每次都走完整的上市前审查流程。这会显著改变AI医疗软件公司的产品生命周期成本结构，也让“上市后监测能力”从合规负担变成竞争资产。

受影响的板块相当清晰：医学影像AI与SaMD开发商首当其冲；具备真实世界数据采集与性能监测能力的Digital Health平台、可穿戴与远程监测设备厂商，会因支付方对证据的要求上升而获得新的价值空间；医院端则是规则的最终承受者——采购与医保支付决策越来越依赖可验证的临床证据。

但综述同时给出了两组冷水数据。其一，披露训练数据集人口统计学多样性的AIMD不足30%，算法偏见因此缺乏可审计的基础。其二，约43%已获FDA批准或认可的AIMD缺乏临床验证数据，仅28%接受过前瞻性设备验证测试。

对Healthcare Industry来说，这意味着监管宽松并不等于市场宽松。支付方、医院采购委员会与临床科室会用比监管更严的标准来筛选Medical AI产品。

Challenges And Risks

标准分歧带来的全球化成本。 五大市场的规则虽有趋同迹象，但风险分级口径、变更控制要求与证据标准仍不统一，跨国申报的重复投入难以避免。

自适应算法的上市后监督难题。 当算法在真实世界持续学习，监管机构需要的是持续监测能力，而非一次性审批结论——这对监管机构自身的技术能力提出了新要求。

数据多样性与算法公平性。 训练数据披露不足，使偏见难以被量化，也难以在监管文件中被追责。

临床验证缺口。 大量已获批AIMD缺乏前瞻性验证，这一缺口不会因监管框架完善而自动填平，而需要Healthcare Technology企业与医疗机构共同投入真实世界研究。

监管科学的相对滞后。 技术演进速度仍快于规则迭代速度，这是Biotech Innovation与Medical Devices领域长期存在的结构性张力。

Future Outlook

未来3至5年，AIMD监管大概率会沿三条线推进。

第一，从“审批节点”转向“生命周期治理”。基于PCCP思路的变更管理机制，可能被更多辖区借鉴或本地化改造，上市后性能监测将从自愿行为变为强制性合规要件。

第二，真实世界证据进入监管与支付的核心。随着43%验证缺口被反复提及，监管机构、医院与支付方对上市后真实世界性能数据的要求会同步上升。

第三，跨国协调从倡议走向操作层面。欧盟AI Act的风险分级思路，可能成为其他市场设计AIMD分类规则时的参考模板，而五大市场之间的标准互认，将是决定AI Healthcare产品全球化速度的关键变量。

Conclusion

十年之间，AIMD监管完成了一次范式迁移：监管者不再只问“这个算法准不准”，而是开始问“这个算法在真实临床环境中会如何变化，以及谁来为变化负责”。对HealthTech企业而言，这意味着合规不再是一道通过即忘的门槛，而是一项需要长期运营的能力。当规则开始追赶技术，真正的分水岭也随之出现——下一阶段AI医疗的竞争，不在于谁的模型参数更多，而在于谁能持续证明自己的模型在真实世界里依然安全、有效、可解释。