AI医疗器械注册审查实操手册（工程团队版）
第六章 阅读后的想法：一份监管文件的底层逻辑与行业启示
这一章不是操作指南，是把我一下午读出来的观察串成一篇有观点的东西。如果你要发朋友圈、写知乎、或者跟同行吹水，素材都在这里。不过转载的话，还是标明kaalveniiz原创。
6.1 这不是技术文件，这是政治文件
42页的指导原则，读下来最大的感受是：它不想教你做AI，它在定义谁是AI医疗器械
第3页那段话是关键：“基于非医疗器械数据的医学人工智能产品……均非人工智能医疗器械。“这话说得很硬。意思是：你的训练数据如果不是医疗器械产生的、不是用于医疗用途的，那你连这个门都进不了。
这就是监管的第一性原理——管辖权先于技术。NMPA不是中科院，不负责推动AI前沿；它是一个政府部门，首先要回答"这事归不归我管”。数据出身就是它的管辖边界。
所以读这份文件的时候，别把它当成算法教程。它是一份"入场资格审查表”，告诉你想在中国卖AI医械，需要先满足哪些政治前提。
6.2 两类人在写这份文件
一下午读下来，能明显感觉到这份文件是两个团队拼接的。
A团队写数据质控（第4章） 采集设备的kV/mA、标注场所的温湿度、人员的职称和工作年限。这是典型的医疗器械质量管理语言，GMP（药品生产质量管理规范）的痕迹很重。他们熟悉的是：人在固定环境里做固定动作，所以要控制环境。
B团队写算法设计（第5章） 算法类型、层数、参数规模、ROC曲线、混淆矩阵、训练数据量-评估指标曲线。这是懂AI的人写的，至少训练过模型、调过参、画过学习曲线。
C团队写可解释性和持续学习（第5章末尾和第6章） “建议与现有医学知识建立关联”、“自学习功能应关闭”。这部分最虚，因为监管科学还没跟上技术。不是不想管，是不知道怎么管，所以先写"建议"和"原则上"。
这种拼接感本身说明了行业的现状：医疗器械监管的传统势力正在和AI工程的新势力磨合，谁也没完全说服谁。
6.3 “原则上”：监管弹性与行业博弈
这份文件里"原则上"三个字出现的频率高得惊人。
- “训练集原则上需保证样本分布具有均衡性”
- “测试集、调优集原则上需保证样本分布符合真实情况”
- “若条件具备，建议注册申请人开展对抗测试”
“原则上"在公文语言里是什么意思？意思是：做不到也行，给个理由。这给了企业巨大的博弈空间，但也意味着审评员有很大的自由裁量权。
所以这份文件真正的执行标准不是纸面上的文字，是审评员的经验判断和行业惯例。第一次做这类产品的企业最吃亏，因为没有先例可循，不知道审评员的底线在哪。
这也解释了为什么很多已经成功注册的企业不愿意分享经验——先例就是竞争优势。
6.4 数据出身决定管辖权
回到第3页那个硬边界。这份文件实际上创造了一个很有意思的数据阶级：
第一阶级：医疗器械原生数据 CT、MRI、超声直接产生的DICOM影像。这是"根正苗红"的数据，进可攻退可守，完全符合指导原则的管辖范围。
第二阶级：公开医疗数据库 NIH ChestX-ray、MIMIC-CXR、CheXpert。可以用，但不能当测评数据库，不能单独证明安全有效性。身份类似"参考证人”。
第三阶级：非医疗数据 ImageNet、社交媒体图片、通用文本语料。文件明确说：基于这类数据的"医学人工智能产品"不是AI医疗器械。这是被排除在门外的。
这个分类的政治含义是：NMPA在保护自己的数据主权。如果允许用任意互联网数据训练的医疗AI上市，监管机构就失去了对数据来源的控制力。伦理、隐私、质量——统统无法追溯。
但对于工程团队来说，这意味着一个残酷的的现实：高质量、合规的医学数据集正在成为稀缺资源。谁手里有经过伦理审批、来源清晰、标注规范的数据，谁就有护城河。
6.5 版本控制的哲学战争
这份文件第6页和第28页花了很大篇幅讨论"重大更新"和"轻微更新"，但读着读着就有一种落不到地的美。
监管的思维是：产品上市是一个离散事件，更新是另一个离散事件，中间有清晰的界限。企业需要申请、审评、批准，然后才能发布新版本。
AI工程的思维是：模型是养出来的。每天都有commit，每周都有数据增量，框架小版本静默升级，GitHub仓库变了但版本号没动。连续迭代是生命线。
这两种时间尺度是不可调和的。文件试图用"效率型/非效率型"来做细分，但如我们讨论的——同样的prompt给的结果都不一样，你怎么知道它单纯调了效率？
这里的核心矛盾不是中国特有。FDA在2019年推出了AI/ML SaMD修改框架草案，尝试"预授权变更"机制——允许企业在注册时就把未来可能做的更新类型、边界、验证方法写清楚，后续在框内更新无需每次走变更注册。NMPA这份文件没有采纳这个思路，还是传统的"一事一审"。
这给中国AI医械企业带来的实际影响是：迭代速度被监管节奏锁死。创业公司靠快速迭代取胜，但医疗AI的每次重大更新都可能意味着6-12个月的注册周期。
6.6 数据集正在从成本变成资产
文件第22-23页对测评数据库提了六条专用要求：权威性、科学性、规范性、多样性、封闭性、动态性。这些条件加在一起，全国能做的机构屈指可数。
这意味着什么？
- 对于监管机构：测评数据库是控制市场准入的工具。谁能建测评数据库，谁就能影响审评标准。
- 对于企业：测评数据库是绕不开的门槛。没有它，你就只能用自有测试集做确认，说服力天然弱一层。
- 对于医院和数据持有者：手里攒的专病队列、多中心数据，正在从"科研副产品"变成"战略资产"。
我们可能会看到一个新的行业出现：医学数据信托（Medical Data Trust）。第三方机构持有数据、管理标注、维护测评数据库，企业付费申请使用。这和CRO（合同研究组织）的逻辑类似，但交易标的是数据而不是服务。
NMPA文件没有提数据交易，但它在客观上推动了数据资产化的进程。
6.7 可追溯性：AI工程师转型医械的隐形墙
文件第32页要求提供"算法需求、算法设计、源代码、算法测试、算法风险管理的关系表"。对于医疗器械行业的人来说，这是家常便饭。对于AI工程师来说，这是天书。
为什么？
因为医疗器械的QMS（质量管理体系）是基于线性流程的：需求→设计→采购→生产→检验→放行。每个阶段有输入、输出、评审、记录，环环相扣。
AI工程的日常是非线性的：今天试这个模型，明天换那个loss function，后天发现数据有问题回去重新清洗。探索、失败、重来，这是常态。
文件要求你把探索过程"拉直"成一条可追溯的链，等于要求你把研发日志改写成生产记录。这对于习惯了敏捷开发的AI团队来说，是管理范式级别的冲击。
这也是为什么很多纯AI背景的团队在做医疗AI注册时会栽跟头——技术再强，没有QMS意识，审评员一查可追溯性分析就露馅。
反过来说，有医疗器械背景、懂QMS但技术外包的团队，反而可能走得更快。因为他们知道怎么填表、怎么留痕、怎么跟审评员对话。
6.8 这份文件没回答的问题
读完42页，有些问题文件要么没提，要么提得太虚：
1. 联邦学习的责任怎么划分？ 文件说联邦学习"需明确算法选用依据"，但没回答：如果某个参与节点的数据有问题，导致全局模型性能下降，谁负责？
2. 大模型/基础模型怎么管？ 文件写的时候（2022年）ChatGPT还没出来。现在医疗领域开始出现基于大模型的应用，比如Med-PaLM、华佗GPT。这些模型参数量千亿级，训练数据万亿token，根本不可能按文件第29页的要求"提供层数、参数规模"——层数几百层，参数规模你自己数。
3. 生成式AI的边界在哪？ 文件提到了GAN用于数据扩增，但只字未提生成式AI作为核心功能的情况（比如AI生成诊断报告、AI生成治疗方案）。这部分现在是完全的监管真空。
4. 真实世界证据（RWE）怎么纳入？ 文件要求临床评价，但对上市后真实世界数据的收集、分析、用于更新注册，几乎没有涉及。这和FDA的RWE政策差距明显。
这些空白不是因为NMPA懒，是因为技术发展太快，监管科学需要时间跟上。每个空白都是一个潜在的行业机会，也是潜在的风险。
6.9 给不同读者的建议
如果你是AI工程师，想转医疗AI
- 先补QMS课，不是技术课。学ISO 13485、医疗器械软件指导原则、风险管理ISO 14971。
- 可追溯性不是 paperwork，是基础设施。从项目第一天就建立需求-代码-测试的关联习惯。
- 学会用审评员的视角看自己的模型：不是"我多准"，是"我在什么情况下会错、错了我知不知道"。
如果你是医疗器械从业者，想引入AI
- 别被"深度学习"吓到。监管逻辑没变——需求、验证、确认、风险管理，还是那套。
- 但要尊重AI的技术特性：版本控制、数据版本、环境固化，这些是传统医械没有的维度。
- 找一个既懂QMS又懂git的人当项目经理，这是稀缺人才。
如果你是投资人，在看医疗AI赛道
- 问创始团队三个问题：
- 你们的数据有没有伦理批件？来源清不清楚？
- 你们有没有做过一次完整的模拟注册演练？（不是真注册，是模拟准备材料）
- 你们的技术负责人能不能用非技术语言解释模型的边界和限制？
- 技术壁垒在褪色，数据壁垒+监管壁垒在上升。
如果你是监管科学研究者
- NMPA这份文件最大的贡献不是写了什么，而是画了框。框内的问题（数据来源、算法类型、更新控制）已经有讨论基础。
- 真正需要研究的是框外的问题：大模型、生成式AI、联邦学习责任链、RWE纳入注册路径。
写在最后
这份指导原则最诚实的地方，是它承认了自己的局限。
第27页写持续学习时，没有假装自己很懂，而是直接说"自学习功能应关闭"。这不是技术判断，是监管策略——在没想好怎么管之前，先按下暂停键。
第8页写安全性级别判定时，没有给打分表，而是说"综合判定"。这不是偷懒，是现实智慧——AI医械场景太杂，定死了反而束缚手脚。
所以读这份文件的正确姿势，不是挑它的毛病（虽然毛病确实不少），而是理解它在什么约束条件下做了什么样的选择。理解了这些约束，你才能在这个框架里找到自己的位置。
最后用一句话总结：这份文件不是在教你做AI，它在教你如何在中国的医疗监管体系里合法地做一个AI生意。 技术是你的事，合规是你的门票。