做医疗器械注册的人都知道,FDA 审批路径有三条:510 (k) 实质等同、De Novo、PMA 上市前批准。风险越高的器械,走的路径越严 ——PMA 最严,相当于药品的新药申请。
但最近看到一篇综述,梳理了 FDA 从 1995 年到 2025 年 5 月批准的所有 AI/ML 医疗器械,有个数字挺意外的:
心血管领域 96 个 AI 设备,100% 走的是 510 (k)。没有一个走 De Novo,更没有一个走 PMA。
这就有意思了。AI 医疗器械是出了名的 "黑箱",为什么全部走最宽松的路径?背后反映了什么监管逻辑?对我们做注册的人有什么参考?
AIx生物制药微信二群已开启
扫描上方群二维码,加入AIx生物制药微信交流群,进群备注姓名、公司名,交流一线产业观点。
一、先看数据:AI 心血管设备审批的二十年
先交代背景。截至 2025 年 5 月,FDA 总共授权了 235 个 AI/ML 医疗器械(所有专科),其中心血管领域 96 个,是最大的应用领域之一。
时间线很清楚:
2008 年:第一个心血管 AI 设备获批
2015 年前后:开始慢慢增长
2018 年:审批加速,一年批了 63 个(全部专科)
2023 年:心血管领域达到峰值,一年批了 21 个
2024 年:15 个
2025 年截至 5 月:已经批了 6 个
这个增长曲线跟 AI 技术的爆发完全同步。但问题来了 —— 这些设备都是怎么过审的?
二、96 个设备,全部 510 (k)
这是这篇文章最核心的发现。
510 (k) 路径的逻辑是:你要上市的新器械,跟一个已经合法上市的 "predicate device"(谓词设备)实质等同就行 —— 用途相同、技术特征相似、安全性和有效性相当。不需要做大规模临床试验。
问题在于:AI 设备是全新的东西,它跟谁实质等同?
文章里列了 96 个设备的 predicate 来源。你会发现一个有意思的现象:很多 AI 设备的 predicate,本身也是另一个 AI 设备。这就形成了一条 "predicate 链"—— 第一个 AI 设备找到一个非 AI 的 predicate 过了审,后面的 AI 设备就拿它当 predicate,一个传一个。
更值得关注的是:44.1% 的心血管 AI 设备,引用的 predicate 有过 Class I recall 历史。Class I recall 是最严重的召回级别 —— 意味着 FDA 判断这个设备有很大概率导致严重健康问题甚至死亡。
这就形成了一个监管漏洞:如果 predicate 本身有问题,那基于它做实质等同的后续设备,是不是也继承了同样的风险?
三、临床验证到底做了多少?
做注册的人都知道,510 (k) 不强制要求临床数据 —— 你可以靠台架测试、软件验证、 bench study 来证明实质等同。
那这 96 个 AI 设备,实际做了多少临床验证?
文章统计了一下:
42 个设备(43.75%)做了临床验证研究(前瞻性或回顾性)
49 个设备(51.0%)只做了软件验证和设计验证,没有临床数据
20 个设备(20.83%)只做了台架测试和受控环境测试
13 个设备(13.5%)做了算法验证,用训练算法和真实世界数据做对比
样本量也参差不齐:小的只有 12 个健康受试者,大的有超过 170 万次临床就诊数据。大多数设备的临床验证是回顾性的 —— 拿已有的心电图数据回测一下,看看算法准不准。
这其实可以理解:AI 心电图设备本质上是一个软件,你不需要在人身上做试验,拿历史数据验证算法性能就行。但问题是 ——历史数据能不能代表真实临床场景?
四、数据集偏倚:AI 设备最容易被忽略的坑
这篇文章特别强调了一个问题:训练数据的人群偏倚。
文章里提到一个研究:一个 ECG 深度学习模型,在老年白人女性中的表现(AUC 0.81)明显好于年轻黑人女性(AUC 0.73)。原因很简单 —— 训练数据里大部分是老年白人女性的心电图,少数族裔的样本不够。
这种偏倚不是个例。文章统计了一下:
只有 35.4%(34/96)的设备在公开摘要里描述了患者人群的多样性
剩下 60% 多的设备,你根本不知道它的训练数据是什么人、什么人群
这就带来一个监管难题:AI 设备在说明书上写的敏感性、特异性,是在特定数据集上测出来的。如果你的患者人群跟训练数据不一样,实际表现可能差很多。
但现行的 510 (k) 路径,不要求制造商披露训练数据的人群构成。这就像一个新药,你只知道它在临床试验里有效,但不知道试验入组了多少中国人、多少老人、多少并发症患者 —— 你敢直接用吗?
五、上市后监测:几乎是空白
做药品注册的人都知道,药品上市后有 IV 期临床、药物警戒、不良反应报告系统。医疗器械也有 MDR(医疗器械报告)和 QSR(质量体系法规)要求。
但对 AI 设备来说,这些 baseline 要求够吗?
文章的结论是:不够。
原因很简单 ——AI 模型跟传统医疗器械不一样。传统器械是 "锁死" 的,造出来是什么样就是什么样。但 AI 模型会 "漂移":
数据集偏移(dataset drift):临床实践变了、患者人群变了、设备型号更新了,原来的模型性能可能下降
隐性学习:模型部署后可能在使用过程中 "学到" 新的模式,行为发生变化
也就是说,AI 设备今天测出来的准确率是 95%,三年后可能变成 85%。但现行的上市后监测体系,没有针对这种变化的专门要求。
文章里说得很直白:这 96 个心血管 AI 设备,没有一个有专门针对 AI/ML 的上市后监测要求。大家都是 baseline 的 MDR—— 出了严重不良事件才报告,不出事就不管。
这跟药品上市后的主动监测完全不是一个概念。
六、PCCP:FDA 的新答案
面对这些问题,FDA 也在改。
2025 年 1 月,FDA 发布了两份新指南:
AI-Enabled Device Software Functions: Lifecycle Management and Machine Learning Submission Recommendations Draft Guidance—— 全生命周期管理
Marketing Submission Recommendations for a Predetermined Change Control Plan (PCCP) for AI/ML-Enabled Device Software Functions Final Guidance—— 预定变更控制计划
PCCP 是什么?简单说就是:制造商在申请上市的时候,就提前告诉 FDA—— 我的 AI 设备以后可能会做哪些更新、更新的范围是什么、怎么保证更新后还是安全有效的。获批之后,在这个范围内的更新就不需要再重新走审批了。
这就解决了一个核心矛盾:传统监管模式下,AI 模型每次更新都要重新申报,那谁还敢持续优化模型?PCCP 相当于给了制造商一个 "有条件的自主权"—— 你可以在我批准的范围内自己改,但要提前跟我说清楚改什么、怎么保证安全。
文章里提到,目前只有很少的设备使用了 PCCP。但这是个方向 ——FDA 正在从 "静态审批" 走向 "全生命周期监管"。
七、对中国 AI 医疗器械审批的启示
聊点跟我们相关的。
国家药监局器审中心(CMDE)这几年也在出 AI 医疗器械的指导原则,比如《人工智能医疗器械注册审查指导原则》。大方向跟 FDA 是一致的 —— 都是在探索怎么监管一个 "会变" 的产品。
但对比 FDA 的情况,有几点值得思考:
第一,路径选择。FDA 的 AI 设备几乎全走 510 (k),因为 AI 软件类设备风险相对可控。中国的 AI 医疗器械,现在主要走的是第二类、第三类注册,对应不同风险等级。这个思路跟 FDA 是类似的 —— 不是所有 AI 设备都要按最高风险管。
第二,predicate 链的问题。FDA 的 predicate 链风险,在中国也存在 —— 第一个 AI 设备批了,后面一堆同类设备都拿它当参考。如果第一个设备本身有问题,后面全受影响。中国的指导原则里有没有类似的风险控制?这个值得关注。
第三,上市后监测。这是全球都在补的课。PCCP 是 FDA 的尝试,中国有没有类似的框架?据我了解,CMDE 也在探索 AI 医疗器械的全生命周期管理,但目前还没有像 PCCP 这样明确的制度设计。
第四,数据偏倚。这个问题中国更突出 —— 我们的临床数据大多来自中国人群,但很多 AI 模型是拿国外数据训练的。这些模型在中国人群里表现怎么样?有没有偏倚?注册时要不要验证?这些都是实际工作中会碰到的问题。
八、冷静一下
说几句实话。
第一,这篇文章只看了心血管领域。AI 医疗器械最大的应用其实是放射影像 ——X 光、CT、MRI 的辅助诊断,占了 AI 医疗设备的半壁江山。心血管只是其中一个亚领域。放射影像领域的审批情况、临床验证标准可能跟心血管不一样,不能一概而论。
第二,510 (k) 全走不代表这些设备质量差。510 (k) 路径的前提是 "实质等同"—— 如果 predicate 本身是经过验证的成熟技术,那新设备跟它等同,安全性是有基础的。问题不在于 510 (k) 本身,而在于 predicate 链的质量控制。
第三,PCCP 听起来美好,落地还早。文章里自己也说了,目前很少有设备用 PCCP。为什么?因为 PCCP 要求制造商在申请时就说清楚未来要改什么 —— 但 AI 模型的迭代方向,很多时候制造商自己也说不准。这是个理想框架,实际操作起来有难度。
第四,作者有强生背景。文章的共同作者 Paul Coplan 来自强生的医疗器械流行病学部门。这篇综述虽然是客观梳理,但强生本身就是做大医疗器械的,对 FDA 监管路径的熟悉度高,立场上可能更偏向工业界视角。
九、小结
这篇文章的核心发现其实就一句话:FDA 的 AI 医疗器械审批,目前还在沿用传统器械的路径框架,AI 特有的风险 —— 数据集漂移、偏倚、适应性修改 —— 还没有被充分纳入监管体系。
96 个心血管 AI 设备全走 510 (k),不是因为它们都够安全、够成熟,而是因为现有监管框架里,这是唯一现实可行的路径。PMA 太严,De Novo 太复杂,510 (k) 是唯一的选择。
但这不代表监管层面没意识到问题。PCCP、全生命周期管理指南、AI 特有的上市后监测要求 —— 这些都是 FDA 在补的课。方向是对的,但从指南发布到真正落地、真正改变审批实践,还有很长的路要走。
对我们做注册的人来说,这其实是个机会窗口 ——AI 医疗器械的监管还在成型期,现在深入研究规则、积累案例,等这个市场爆发的时候,你就是最懂行的那批人。
参考文献:Saini M, KC G, Williams AJ, Coplan PM, Gressler LE. Regulatory Challenges and Opportunities: A Review of U.S. Food and Drug Administration-Approved Artificial Intelligence and Machine Learning-Enabled Cardiovascular Devices. Therapeutic Innovation & Regulatory Science 2026, 60, 393–422. DOI: 10.1007/s43441-025-00896-7
识别微信二维码,添加生物制品圈小编,符合条件者即可加入
生物制品微信群!
请注明:姓名+研究方向!
本公众号所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系(cbplib@163.com),我们将立即进行删除处理。所有文章仅代表作者观点,不代表本站立场。
热门跟贴