美国FDA医疗器械与放射健康中心于2025年4月3日发布《生成式人工智能医疗器械监管考虑讨论文件》并公开征求意见,围绕全生命周期监管、透明度、性能监测、人机协同等提出初步监管框架。该文件直接影响计划进入美国市场的AI医疗器械企业,涉及注册路径、技术文件、临床评价、标签说明、上市后监测等多个合规方面。
- 来源机构:FDA CDRH News & Updates
- 原文发布日期:August 17, 2026
- 本站采集时间:2026-08-19T07:34:45.081Z
- 本站发布时间:2026-08-20 10:56
- 文章来源:FDA CDRH News & Updates
- 本文采集整理自FDA CDRH News & Updates公开信息,来源:https://www.fda.gov/medical-devices/digital-health-center-excellence/considerations-regulation-generative-ai-enabled-medical-devices-discussion-paper-and-request。具体要求以监管机构最新正式发布为准。
完整原文中文翻译
美国食品药品监督管理局(FDA)器械与放射健康中心(CDRH)于2025年4月3日发布了一份讨论文件,题为《生成式人工智能(Generative AI)医疗器械监管考虑:讨论文件与意见征询》。FDA表示,生成式人工智能在医疗器械领域的应用正在快速发展,其独特的自适应性和生成能力给监管带来了新的挑战,FDA希望通过该文件与利益相关方开展早期对话,共同构建合适的监管框架。
FDA指出,生成式AI医疗器械可能包括用于诊断、治疗决策支持、影像分析、文档生成等多种功能的设备。与传统基于规则的AI不同,生成式模型能够产生新的内容、响应开放式输入,并可能随着使用而持续学习或更新,这些特性使现有的510(k)、De Novo、PMA等监管路径在适用时需要考虑更多技术细节。
在讨论文件中,FDA提出了一个全生命周期(Total Product Lifecycle, TPLC)的监管思路。在上市前评估方面,FDA建议企业关注训练数据的代表性、模型设计的选择、预期用途的明确定义、以及在不同临床环境下的通用性。对于持续演进(continually learning)或自适应(adaptive)的模型,FDA特别关注其性能漂移(performance drift)风险和再训练后的稳定性。
文件重点讨论了透明度(transparency)问题。FDA认为,医疗器械标签中应当向用户明确披露该设备使用了生成式AI,并提供关于模型能力、局限性、验证状态、预期使用者培训需求等信息。透明度不仅有助于用户合理使用,也是FDA进行上市后监测的重要基础。
关于上市后监测,FDA建议企业建立与设备风险相称的性能监测计划,包括真实世界数据收集、预先设定的性能指标和阈值、以及发现性能下降时的修正措施。对于可更新的生成式AI设备,FDA提出需要区分设备更新与需要重新提交申请的变更(change protocol),并讨论了软件预认证(Predetermined Change Control Plans)的可能性。
此外,文件还提出了人机协同(human-machine teaming)的问题,强调生成式AI的输出应由具备相应资质的医护人员进行审查和确认,设备设计应支持用户的批判性评估而不应过度依赖自动化输出。FDA同时承认,许多生成式AI医疗器械仍处于早期阶段,某些问题尚无统一答案,因此希望收到来自行业、学术界、患者和医疗服务提供者的反馈。
FDA邀请公众在2025年5月20日之前提交对讨论文件的意见。该文件不构成正式指南,也不代表FDA最终监管决定,而是为未来指南制定和监管政策发展提供基础。FDA表示,后续将根据收到的反馈考虑是否发布正式指南文件,并继续推进AI医疗器械监管框架的完善。
这条信息对医疗器械企业意味着什么?
AI医疗器械和软件医疗器械的海外注册,监管重点通常不只在产品功能描述,还包括算法用途、风险控制、数据来源、性能验证、网络安全、软件生命周期、临床评价和上市后持续学习或版本变更管理。
不同国家对AI/软件医疗器械的分类、证据要求和变更管理要求不完全一致,企业不能只用传统硬件医疗器械的资料框架来准备。
企业需要重点检查哪些资料?
建议优先整理软件描述、算法预期用途、输入输出、适用人群、训练和验证数据说明、性能验证报告、风险管理、软件生命周期文件、网络安全资料、临床评价资料、标签说明书、版本管理记录和上市后监测计划。
如产品涉及诊断、治疗建议、生命支持、自动决策或高风险场景,还需要更谨慎评估证据深度和临床验证要求。
常见风险
常见问题包括:算法用途描述过宽、训练数据和验证数据边界不清、软件版本变更缺少控制策略、网络安全资料不足、临床证据与宣称不匹配,以及不同国家分类结论不一致。
艾梅莉观点
艾梅莉法规部认为,这份讨论文件虽然不具有正式指南的法律效力,但明确传递了FDA对生成式AI医疗器械监管方向的核心信号。对于中国医疗器械企业而言,如果正在开发或计划将生成式AI产品推向美国市场,现在就必须将FDA提出的全生命周期监管思路纳入产品规划,而不是等到正式指南出台后再做调整。
从注册路径来看,企业应尽早确定产品的预期用途和自动决策程度,判断产品属于人工智能辅助决策设备还是传统意义上的诊断设备,这将直接影响510(k)、De Novo还是PMA的路径选择。FDA在文件中强调预期用途应“明确定义且不过度宽泛”,企业需要避免用泛化的临床声称掩盖生成式模型的不确定性问题。我们建议企业在写预期用途时,明确限定患者人群、使用场景、输入数据类型和输出结果的角色(辅助vs自动)。
在技术文件和临床评价方面,生成式AI的训练数据代表性、模型校准、鲁棒性验证将被FDA重点审查。企业应准备完整的数据管理文档,包括数据来源、采集方式、标注规则、数据分布和偏倚分析;同时需针对设备在不同人群、不同设备端、不同环境下的表现进行充分的鲁棒性测试。临床评价不只是回顾性验证,FDA很可能要求前瞻性数据来证明生成式AI输出的临床可接受性,尤其在高风险决策场景下。
从标签和质量体系角度看,透明度要求意味着说明书、用户界面和培训材料都需专门设计。企业需要建立一套标签管理流程,持续更新模型能力与限制的披露内容。同时,如果产品具备持续学习或模型更新功能,必须在质量管理体系中建立明确的变更控制程序,区分“允许的更新”和“需要新申请的重大变更”,并考虑是否采用FDA推荐的软件预认证思路来管理预期变更。
上市后维护是另一个关键领域。FDA预期企业建立真实世界性能监测计划,包括关键性能指标、监测频率、异常触发阈值和响应机制。中国企业在出海时往往对上市后监测的投入不足,我们建议在美国市场设立或委托当地代理建立24/7的投诉和不良事件反馈通道,并定期分析数据是否存在性能漂移。最后,企业应积极利用窗口期向FDA提交反馈或参与公众会议,以影响未来指南的方向,同时密切关注国际协调进展,避免中美欧AI监管要求之间形成重复建设。
FAQ
AI医疗器械海外注册最难的地方是什么?
难点通常在风险分类、算法证据、临床评价、软件生命周期和上市后变更管理,而不是单纯填写申请表。
AI医疗器械可以先按普通软件资料申报吗?
不建议简单套用普通软件资料。应先确认产品是否属于SaMD、是否有AI辅助决策属性、是否影响诊断或治疗,再设计注册资料。
- 内容作者:艾梅莉法规编辑部
- 专业审核:艾梅莉医疗器械国际注册项目组
- 来源原则:优先参考官方监管机构、国际组织、标准组织和公开法规资料;行业媒体与项目经验仅作辅助判断。
- 适用边界:本文用于前期理解、资料准备和项目规划,不替代目标国家监管机构正式要求、检测结论或法律意见。
需要评估注册路径?
请提供产品名称、预期用途、目标国家和现有资料基础,艾梅莉可协助判断注册路径、资料缺口和合规风险。
联系艾梅莉