医疗人工智能辅助诊断监管指南（2025版）

医疗人工智能辅助诊断监管指南（2025版）随着医疗人工智能技术的跨越式发展，尤其是深度学习与大语言模型在医疗领域的深度融合应用，医疗人工智能辅助诊断系统已从早期的单一影像识别跃升为涵盖多模态数据分析、临床决策支持与病理综合研判的复杂系统。为确保医疗人工智能辅助诊断技术的安全、有效、可控，规范其在医疗机构内的临床应用，防范医疗质量与数据安全风险，特制定本指南。本指南适用于所有在中华人民共和国境内研发、生产、经营及应用于医疗机构的医疗人工智能辅助诊断系统，旨在为监管机构、医疗器械生产企业、医疗机构及医务人员提供全面、可落地的合规指导与技术规范。第一章总则与核心定义1.1核心概念界定医疗人工智能辅助诊断系统，是指基于人工智能算法，通过分析患者的医学影像、生理信号、体外诊断数据、电子病历文本等多模态医疗数据，为医疗机构提供疾病筛查、病灶识别、病变性质判定、临床诊断建议等辅助决策信息的软件系统。此类系统作为医疗器械管理，其核心属性在于“辅助”而非“替代”，最终诊断决策必须由具备执业资质的医务人员综合临床信息后作出。1.2监管基本原则本指南遵循“风险分级、全程追溯、包容审慎、技术中立”四大原则。风险分级要求根据产品用途、干预程度及误诊漏诊可能造成的危害程度进行差异化监管；全程追溯强调从数据采集、模型训练、产品上市到临床应用的全生命周期可追溯性；包容审慎针对生成式AI等前沿技术，在保障安全的前提下鼓励创新；技术中立确保监管要求不因底层算法框架的演进而产生歧视或偏差。1.3人工智能医疗器械分类界定标准监管维度低风险（第一类）中风险（第二类）高风险（第三类）系统功能仅提供数据处理、测量、图像增强等不直接给出诊断结论的功能提供特定疾病的筛查、病灶识别、初步定性分析，但非最终诊断决定性依据直接影响临床诊断结论的做出，或用于重大疾病（如恶性肿瘤）的确诊分级与治疗规划决策影响辅助医生提高工作效率，无直接临床风险辅助医生发现潜在病变，错误结果可能导致过度检查或轻度延误错误结果直接导致严重误诊、漏诊或错误治疗，危及患者生命安全监管要求备案管理，常规质量控制注册审批，需提供临床验证数据，定期不良事件监测严格注册审批，需多中心临床试验，全生命周期重点监管与强制性上市后评价第二章研发环节的数据治理与算法合规2.1训练数据集的质量与代表性要求医疗人工智能的性能上限高度依赖于训练数据的质量。研发企业必须建立严格的医疗数据治理体系，确保数据的真实性、准确性、完整性和代表性。首先，数据采集必须覆盖多中心、多地域、多层级医疗机构，使用不同厂家、不同型号的医疗设备，以消除单一数据源带来的算法过拟合与设备偏倚。训练数据集必须严格标注患者的人口学特征（如年龄、性别、种族等），确保模型在不同亚组人群中的性能稳定。其次，数据标注机制需实行“双盲审核”与“仲裁机制”。标注团队必须由具备法定执业资格的专科医师组成，标注规则需参考权威临床指南并形成可量化的标准操作规程（SOP）。对于模糊或存在争议的标注结果，需引入高级别专家进行第三方仲裁，确保金标准的高保真度。2.2算法透明度与可解释性要求针对“黑盒”算法在医疗领域的应用风险，本指南要求研发企业必须提交详尽的算法性能验证报告。报告内容应包括但不限于：算法架构说明、模型参数量、训练超参数设置、损失函数演进曲线等基础信息。更重要的是，系统必须具备一定程度的可解释性输出能力。对于影像类辅助诊断系统，必须提供热力图、病灶轮廓框或显著性分析图，使临床医生能够直观理解算法决策的关注区域；对于基于大语言模型的临床决策支持系统，必须提供推理链条展示功能，即系统在给出诊断建议时，需同步列出其参考的临床指南条目、文献依据或类似病例特征匹配过程。监管机构将把“可解释性指标”纳入产品注册审评的核心评估维度。2.3数据安全与隐私保护机制在数据训练与模型迭代过程中，企业必须严格遵守《中华人民共和国数据安全法》及《个人信息保护法》。所有用于训练的患者数据必须经过严格的脱敏处理，去除包括姓名、身份证号、联系方式、住址在内的所有直接标识符，并对影像元数据中的设备序列号、检查时间等潜在标识符进行清除或泛化处理。对于跨机构数据协作，鼓励采用联邦学习、多方安全计算、可信执行环境等隐私计算技术，实现“数据可用不可见”。严禁企业未经授权留存或二次利用原始医疗数据用于非申报用途的模型训练。第三章注册审批与临床评价要求3.1注册申报资料核心要点医疗人工智能辅助诊断系统的医疗器械注册申报，除需提交常规软件研究资料外，还需重点提交《人工智能医疗器械研究技术审查指导原则》要求的专项资料。其中，算法更新与迭代机制是审查重点。企业需明确产品上市后的更新策略，区分“静默更新”（如参数微调，性能未发生显著变化）与“显著更新”（如新增疾病适应症、改变算法核心架构）。静默更新需建立评估基线并定期向监管部门备案；显著更新必须重新申请注册变更，并提交相应的临床评价资料。注册证有效期内，企业需提交年度算法性能评估报告，证明模型在真实世界数据分布偏移情况下的稳健性。3.2临床评价路径与试验设计规范根据产品风险等级与前期研究基础，临床评价可选取豁免临床试验、同品种比对或开展临床试验三种路径。对于新型算法或高风险适应症，必须开展前瞻性、多中心临床试验。临床试验设计需符合以下规范：1.对照组设置：应采用标准对照（即当前临床常规诊断方法）或阳性对照（已获批上市的同类AI产品），严禁仅以算法自身的历史数据作为对照。2.主要评价指标：应采用与患者临床结局直接相关的硬指标，如敏感度、特异度、阳性预测值（PPV）、阴性预测值（NPV）及受试者工作特征曲线下面积（AUC）。3.偏倚控制：必须采用盲法设计，阅片医生在不知晓AI结果的情况下独立作出诊断；同时需评估AI对医生诊断效能的增量价值，即比较“医生单独诊断”与“医生+AI辅助诊断”的差异，以验证其实际临床获益。3.3性能评估核心指标体系评估维度核心指标验证目标与监管要求准确性敏感度、特异度、AUC确保算法在不同患病率人群中均表现稳定，敏感度与特异度不得低于预设临床可接受门槛鲁棒性图像噪声抵抗率、伪影干扰测试在输入图像存在轻度运动伪影、噪声或设备型号差异时，性能下降幅度不得超过基准值的5%泛化性跨中心测试集AUC偏移度在未参与训练的独立外部测试集上，核心性能指标相较于内部验证集的下降幅度需控制在10%以内实时性单例平均推理耗时系统在临床部署环境下的单例处理时间必须满足临床急救或常规门诊的时效性要求（通常建议不超过30秒）第四章临床应用规范与医疗机构管理4.1医疗机构准入与人员资质要求医疗机构引入人工智能辅助诊断系统，必须将其纳入本机构医疗器械管理委员会的统一管理。信息科、医务科及设备科需联合对拟引入系统进行技术评估、网络安全审查与临床应用论证。医务人员在使用AI辅助诊断系统前，必须接受系统化培训。培训内容应包括算法工作原理、系统适用范围与禁忌症、操作流程、结果解读方法及常见错误模式识别。培训考核合格后，由医疗机构授予相应系统的使用权限。严禁未取得执业医师资格的人员单独依据AI结果出具临床诊断报告。4.2临床使用规范与人机协同机制医疗机构需建立基于循证医学的《人工智能辅助诊断临床应用SOP》。在临床实践中，必须坚守“医生主导、AI辅助”的底线原则。AI系统给出的提示、预警或诊断建议，仅作为医生临床决策的参考依据，不具有独立诊断效力。医生在出具诊断报告时，如认同AI结果，需独立进行复核并签字确认；如不认同AI结果，需在系统中记录拒绝采纳的理由（例如：“AI提示结节，人工复核为血管横截面”）。这种“人机交互反馈闭环”不仅是质量控制的必要手段，其产生的数据也将作为模型上市后真实世界性能监测的重要来源。4.3知情同意与患者权益保障在应用涉及重大疾病诊断或具有较高隐私敏感度的AI系统时，医疗机构应履行对患者知情同意义务。知情同意书或门诊告示中需明确告知患者：其医学数据将交由人工智能系统进行分析；系统可能存在的假阳性或假阴性风险；以及医生对最终诊断结果承担全部医疗责任。对于使用大语言模型进行病历文本分析或医患沟通辅助的场景，严禁将AI生成的文本直接作为医生与患者的沟通记录发送，必须经医生审阅修改后方可传达，且不得向患者隐瞒AI参与了信息整理过程。第五章全生命周期质量管理与上市后监管5.1上市后真实世界数据收集与持续监测医疗数据分布具有强烈的时变性和地域性特征（例如疾病谱变化、新设备投入使用等），这要求AI系统必须具备上市后持续监测能力。企业必须建立真实世界数据采集平台，对接部署医院的临床随访系统与病理金标准库。通过持续比对系统预测结果与最终确诊结果，计算模型在实际运行中的漂移程度。当系统性能指标低于注册时申报基线的90%时，必须触发内部预警，并启动模型重训练或参数优化程序。重大性能衰退事件需在24小时内向监管部门报告。5.2不良事件监测与追溯召回机制监管部门建立全国统一的人工智能医疗器械不良事件监测网络。医疗机构在发现AI系统导致误诊、漏诊并造成患者损害时，必须立即停止使用该系统，并在规定时限内向省级药品监督管理部门及卫生健康行政部门报告。企业需建立支持全链路追溯的日志系统。日志必须完整记录每一次系统调用的输入数据哈希值、算法版本号、输出结果及时间戳，保存期限不得少于医疗病历规定的最长期限。对于发生严重不良事件的产品，企业必须主动启动产品召回，采取暂停使用、技术修正或软件更新等措施消除安全隐患。5.3网络安全防范与系统升级管理医疗人工智能辅助诊断系统通常接入院内PACS或HIS系统，面临严峻的网络安全挑战。企业需在产品研发阶段实施“安全左移”策略，开展威胁建模与漏洞扫描；在部署阶段，必须支持端到端的数据加密传输与存储，防范数据篡改、投毒攻击及模型窃取攻击。产品在院内的任何软件更新或模型权重文件下发，必须经过医疗机构信息科的安全扫描与验证，严禁通过非加密通道进行在线热更新，以防黑客利用更新通道植入恶意代码篡改诊断结果。第六章创新技术监管沙盒与伦理审查6.1生成式AI与大语言模型的特殊监管考量随着多模态大语言模型在医疗领域的应用，系统能够自动生成检查报告草稿或诊断推理长文本。针对此类技术，监管采用“实质等效与输出可控”原则。系统必须内置医疗知识库约束机制，防范大模型固有的“幻觉”现象。在注册审批时，企业需提供详尽的对抗性测试报告，证明模型在面对诱导性提问、无关医学信息干扰或模糊输入时，能够拒绝生成超出其执业范围的诊断建议，或给出明确的“信息不足，无法诊断”的安全兜底回复。6.2监管沙盒机制的实施为鼓励医疗AI前沿技术创新，监管部门设立“监管沙盒”机制。对于使用创新算法（如联邦学习大模型）、针对罕见病诊断或具有突破性临床价值的AI产品，可申请进入沙盒试点。在沙盒期内，产品可在限定数量的临床机构内开展小规模真实世界应用。监管部门将实施柔性监管，给予一定的容错空间。通过沙盒收集的数据与性能证据，可作为后续正式申请医疗器械注册的科学依据。但沙盒内的产品必须加贴明确的“限制性临床试用”标识，且引发的不良事件必须实行零报告制度。6.3独立的医疗AI伦理审查体系所有开展医疗人工智能辅助诊断研发与临床应用的机构，必须设立或依托现有的医学伦理委员会，成立人工智能伦理专项审查小组。审查小组需包含临床医学专家、计算机科学专家、伦理学学者及法律顾问，甚至可引入患者代表参与评估。伦理审查的重点包括：算法是否存在基于种族、性别、地域的歧视性输出；临床试验是否符合伦理规范；受试者隐私是否得到充分保护；以及AI技术的应用是否会导致医疗资源分配不公或医患关系异化。未经伦理审查通过的医疗人工智能系统，严禁开展任何形式的临床测试与应用。第七章医疗责任界定与违规处罚7.1医疗损害责任的法律界定在应用医疗人工智能辅助诊断过程中发生医疗损害的，责任界定遵循“过错责任原则”。医疗机构及医务人员在操作过程中未遵守临床诊疗规范、未对AI结果进行实质性审查即出具错误诊断报告，或超适应症使用AI系统的，由医疗机构承担医疗损害赔偿责任。若损害结果系因AI产品设计缺陷（如算法系统性偏差）、说明书未充分提示局限性或软件更新存在漏洞导致，医疗机构在向患者承担赔偿责任后，有权依法向生产企业进行追偿。生产企业不得以“算法不可解释”或“医生未尽复核义务”为由逃避产品质量责任。7.2违法违规行为的处罚措施对于违反本指南规定的研发企业、医疗机构及医务人员，监管部门将依法采取严厉的行政强制措施与处罚。未取得医疗器械注册证即开展辅助诊断临床应用的AI系统，按使用未注册医疗器械予以查处，没收违法所得并处以高额罚款；情节严重的，吊销相关责任人的执业证书。企业非法获取、买卖医疗数据用于模型训练的，将移送公安机关追究侵犯公民个人信息罪的刑事责任。医疗机构未落实网络安全与数据保护责任，导致患者隐私大面积泄露