醫療AI：管好才能用好

任芳言

各國布局醫療人工智能（AI）的腳步越來越快。除了批準世界首例AI醫療設備外，美國食品藥品監督管理局還在2018年批準了首個使用電子健康記錄數據的AI算法產品，該產品集成了實時生命體征數據，可識別體征不穩定的住院患者。

截至2018年11月，我國國家藥品監督管理局收到創新醫療器械審批申請1054項，51項創新醫療器械已通過特別程序獲準上市。醫療AI器械審批通道也于同年12月開放。

基于新一代算法的醫療AI愈發強大，能做的事也越來越多。但業內人士也有了一個不得不面對的問題：對此類設備的監管。而這既要從算法設計者角度入手，也應考慮臨床醫生的使用需求。

技術與用戶相互磨合

今年2月，美國賓夕法尼亞大學腫瘤學研究員Ravi B.Parikh與合作者在《科學》雜志上刊文，指出新一代AI醫療產品的監管標準似乎略顯寬松。

Parikh在文章中提到，早先較為初級的算法大多基于固定的規則和模型，對變量數有限制。相應的醫療產品也僅限于肺栓塞識別等場景較為局限的臨床診斷。

但在過去幾年中，基于AI的現代算法可容納的變量數激增。跟一般的靜態設備或者藥品不同，算法可以隨著變量和數據而變化，預測結果也會隨著時間的推移而改變。相應的，這為設定監管其安全性和穩定性的標準增加了難度。

如果說AI需要大量的訓練，那么在臨床使用時，醫生或許是AI最好的訓練者。然而一名臨床經驗豐富的醫生，未見得能理解新一代AI算法詳細的運行過程，也無法用傳統臨床試驗的評估標準做檢驗。

如此一來，基于新一代算法的AI能否明顯改善患者護理效果，也需要更確鑿的證據。

北京大學醫學院教授王月丹表示，目前基于圖像識別的AI在國內外相對更常見，對CT圖像的診斷準確率甚至高于人工。但AI醫療設備的定位仍需明確。

“如果是輔助醫生做出診斷，那么臨床醫生對其基本原理及使用規則應有基本了解。在后續培養醫生的過程中，也要有相應的訓練。”王月丹表示。

另外，王月丹指出，醫學研究不斷會有新的發現和認知，對迅速迭代的AI算法來說，也有可能遇到類似情況。“誰有權力修正和評定這些標準，也是需要考慮的問題。”

高標準審批門檻

目前在國內，含有AI算法的醫療器械可分為兩類。使用傳統AI算法的如肺結節、乳腺癌等輔助識別軟件，僅提供輔助診斷功能，屬于第二類醫療器械，目前已有產品注冊上市。

而基于新一代AI技術的醫療器械產品，如病理圖像識別、利用眼底照片篩查糖尿病性視網膜病變等疾病，能給出較明確的診斷提示的，劃為第三類醫療器械。

2018年12月，國家藥監局開放了AI醫療器械申報審批通道，依照軟件類型或用途劃分具體種類。目前還未有相關產品正式通過審批上市。

除了算法上的差異，二類和三類醫療器械的盈利模式也不相同。醫療AI產品作為醫用軟件單次出售，還是作為檢查設備按次收費、分成，對開發者來說，顯然獲得第三類醫療器械審批許可，商業前景更為廣闊。

比如眼底疾病篩查，國內糖尿病患者數量過億，糖尿病性視網膜病變篩查工作量大、需求多，需要利用技術手段為眼科醫生及三甲醫院分流。目前國內已有通過AI設備輔助醫生進行篩查的先例，且應用前景良好。

依未科技CEO柯鑫告訴筆者，針對醫療AI產品設立嚴格的審批流程是一件好事。“這拉高了行業準入標準，對行業發展也有好處。”

“AI產品的標準由人設定，其中既有醫生，也有相關的技術專家。”柯鑫指出，缺乏交叉性的專業人才，是當前醫療AI領域存在的問題之一。醫療AI產品若想擴大影響力，還須開發者本身有過硬的醫療知識儲備。

柯鑫還提到，目前的醫療AI產品大多起輔助作用而非完全替代醫生。而檢測產品可靠性的手段之一是“向醫生看齊”——將診斷結果與醫生的診斷標準相比較。

以該公司旗下的眼底篩查產品為例，在閱片平臺上，有問題的眼底圖像會傳送到醫生手中進行辨別。除了醫院外，面對體檢中心、社區等應用場景，業內專家的評價結果是推廣產品時重要的認證手段。

算法迭代

按目前國內對于醫療AI器械的審批流程，臨床試驗設計應考慮到產品預期用途、使用場景和核心功能。

而為鼓勵創新并降低臨床試驗成本，臨床試驗可使用回顧性數據。對于中風險等級軟件，可采用臨床預試驗或替代臨床試驗;高風險等級的軟件，可采取臨床預試驗或臨床試驗補充。

在軟件更新方面，審批內容包括重大軟件更新和輕微軟件更新。前者涵蓋算法和數據驅動型軟件更新，須進行許可事項變更，開展算法性能再評估和臨床再評價。

針對算法的評估，Parikh等人也提到，如果是基于臨床醫生主觀數據的預測算法，主觀數據對某一類患者產生的偏見也可能被納入運行標準。因此除了療效指標，對AI算法的評估還應考慮是否會對這些偏差進行有效干預。

此外，只有提供適當的數據訓練算法，才有可能更準確地掌握其性能。

比如一種可以識別敗血癥的AI算法反應速度比醫生還快，但醫生識別出相應癥狀后會作出讓患者服用抗生素的決定，要完成上述動作，就需要進一步迭代算法，相應的訓練數據也會發生變化。

因此，Parikh等人指出，訓練和評估算法不僅應根據臨床醫生的最佳判斷，還應在多種環境下進行測試。在評估標準中，除了臨床醫生和AI的單獨表現外，或許還應加設一類，即將二者結合起來。這也凸顯了醫療AI與臨床醫生之間相輔相成的關系。

此外，Parikh等人還提到，隨著申報審批的AI設備增多，監管機構需要在透明度和知識產權間權衡。這就像新藥研發與新藥審批，通常會找到一個適當的平衡點。