AI和软件类医疗产品:一条正在快速成形的路径

如果你是一位临床医生，你对AI的感受可能很矛盾。

一方面，你每天都能看到AI相关的新闻——某某大模型能读片了、某某手术机器人更智能了、某某AI辅助诊断系统获批了。另一方面，你在自己的日常工作中可能还没有真正用上过这些东西。

但当你开始思考创新的时候，你会发现一个有趣的现象：你脑中很多”想改善”的场景，其实不需要一个新的物理器械，而是需要一个软件——一个能帮你术前规划的软件、一个能辅助判断的算法、一个能追踪术后效果的系统、一个能帮助患者管理康复过程的工具。

这类产品——统称为”医疗器械软件”或”SaMD”（Software as a Medical Device，作为医疗器械的独立软件）——在中国正在经历一个快速发展的阶段。对于医生创新者来说，这条路径有一些和传统器械开发非常不同的特点，值得单独讨论。

什么样的软件属于医疗器械

不是所有和医疗相关的软件都是医疗器械。判断标准的核心在于：这个软件的预期用途是否涉及对疾病的诊断、预防、监护、治疗或缓解。

例如，一个帮助医院排手术日程的系统，不是医疗器械。一个记录患者联系方式和就诊历史的电子病历系统，通常不是医疗器械。但如果这个系统具备了”根据患者数据自动生成诊断建议”或”根据影像数据自动标注病灶”的功能，它就可能被认定为医疗器械，需要走注册审批流程。

在整形外科和医美领域，以下几类软件产品正在受到关注：

●术前模拟与规划软件——输入患者的CT或三维扫描数据，帮助医生模拟手术效果、设计截骨方案或植入体形态。

●AI辅助影像分析——例如自动分析面部对称性、自动评估瘢痕严重程度、自动测量组织体积变化等。

●术后效果评估系统——通过三维拍照或AI图像分析，客观量化术后效果，用于临床研究或医患沟通。

●数字疗法类应用——例如通过App引导患者进行术后康复训练、瘢痕管理、或心理辅导。

●患者匹配式定制设计软件——输入患者数据，自动设计个性化的植入体或辅助工具，输出到3D打印。这类软件本身可能被作为医疗器械管理，和最终的打印产品是两个注册主体。

软件类产品的开发路径有什么不同

相比传统的物理器械，软件类医疗产品的开发路径有几个显著的不同之处。

• 开发周期可以更短，迭代可以更快。软件不需要开模具、不需要找材料供应商、不需要做灭菌验证。从概念到可用原型的时间可以短到几周。这让概念验证变得更加高效——你可以快速做出一个功能原型，在临床场景中试用，根据反馈迭代，几轮下来就能比较清楚地知道这个方向行不行。

• 但注册审评的复杂度并不低。NMPA对医疗器械软件的审评有专门的指导原则，涉及软件的生命周期过程文档、网络安全、算法验证（如果涉及AI/机器学习还有额外要求）、临床评价等方面。如果你的产品涉及AI算法，你需要准备的材料包括算法设计说明、训练数据集说明、算法性能验证报告等——这些和传统器械完全不同的文件类型，需要有经验的团队来准备。

• 数据是核心壁垒。AI类产品的核心竞争力往往不在算法本身（算法可以被复制），而在训练数据的质量和规模。作为临床医生，你最大的优势之一就是你能接触到高质量的、经过临床验证的数据。但数据的使用需要严格遵守法律法规——包括个人信息保护法、数据安全法、以及医院对患者数据使用的内部管理规定。在产品开发之初就做好数据合规的设计，是软件类项目必须重视的事情。

• 商业模式更灵活。物理器械的商业模式通常比较单一——生产、销售、收费。软件产品可以有更多的可能性：按使用次数收费（SaaS模式）、按年订阅、按患者数量授权、甚至嵌入到硬件产品中作为增值功能。这种灵活性意味着你在产品定义阶段就有更大的商业模式设计空间。

医生在软件类产品开发中的独特价值

在传统器械开发中，医生的价值主要体现在需求定义和临床验证。在软件类产品中，医生的价值额外包括以下几个方面。

• 训练数据的标注。AI算法需要”学习材料”，这些材料通常是经过标注的临床数据——比如标注了病灶位置的影像、标注了美学评分的术前术后照片、标注了手术结果分级的病例数据。这些标注工作需要临床专家来完成，不是工程师或普通标注员能做的。

• 临床场景的workflow设计。软件产品嵌入临床流程的方式决定了它能不能被用起来。一个AI辅助诊断系统，是应该在PACS系统中弹出提醒？还是作为独立的App使用？是在门诊中看？还是在读片会上看？这些问题只有熟悉临床工作流的医生才能回答。

• 临床验证的设计与执行。软件产品的临床评价需要设计合理的验证研究——比如AI算法和医生的诊断一致性研究、或者使用软件前后的手术效率对比研究。研究方案的设计需要临床研究方法学的知识，这是医生的专业领域。

一些实际的提醒

如果你正在考虑一个软件类的创新方向，有几件事值得提前注意。

• 不要低估软件开发的工程量。“写一个App”听起来很简单，但一个能够满足医疗器械注册要求的软件产品，需要遵循严格的软件开发生命周期管理——需求分析、架构设计、编码、测试、发布，每一步都需要文档记录和质量控制。这和你见过的实验室里写的科研用脚本，完全不是一回事。

• 尽早确定产品的监管定位。你的软件到底是不是医疗器械？如果是，是几类？是否涉及AI/机器学习？这些问题的答案决定了注册路径和投入量级。建议在产品构想阶段就咨询注册专业人士。

• 数据合规从第一天就开始。不要先收集数据再考虑合规问题。数据的采集、存储、使用、标注、分享，每一步都有法律要求。特别是如果你的数据涉及患者的面部图像（这在整形外科和医美领域极为常见），属于生物识别信息，适用更严格的保护规则。

• 考虑你的产品和大模型的关系。2023年以来，以大语言模型和多模态大模型为代表的通用AI能力正在快速进入医疗领域。这意味着你构想的某些功能，可能很快就会被通用AI能力覆盖——比如基础的影像识别或文本生成。你的产品需要有超越通用AI能力的临床深度，才能建立长期的竞争壁垒。这个临床深度，恰恰是医生创新者最大的优势。