千亿参数级别的AI医疗大模型，其训练与落地正面临审评审批、数据合规、算法备案等多重监管框架的共同约束。当前全球监管的核心思路并非“一刀切”禁止，而是根据应用风险等级实施分类管理：对于辅助诊断、辅助决策类产品，监管重点在于可解释性与医疗器械审评；对于通用生成式模型，则侧重数据来源合规与生成内容的责任界定。

监管难点：当“涌现”遇上“审评”

AI医疗大模型的技术特性与现有监管体系存在结构性矛盾，主要体现在三个层面：

  • 更新频率与审评周期的冲突：大模型需要持续训练迭代，而医疗器械审评审批通常针对固定版本。模型每次实质性更新都可能触发重新审评，这与其快速迭代的技术节奏形成张力。
  • 训练数据的合规性：医疗大模型的训练依赖海量病历、影像、基因组学数据，这些数据涉及患者隐私、知情同意、数据脱敏等多重合规要求，数据来源的合法链条是监管审查的核心。
  • 生成内容的医疗责任界定：当大模型生成诊断建议或治疗方案时，若发生医疗差错，责任归属是医生、医疗机构还是模型开发者，目前全球范围内仍缺乏清晰的判例与规则。

中国：分类监管与生成式AI专项治理

中国对AI医疗的监管采取“双轨并行”策略。一方面，国家药品监督管理局（NMPA）将AI医疗器械纳入分类监管体系，按风险等级分为二类、三类医疗器械管理，对产品的可解释性提出了很高要求——监管方要求AI的工作流程与人类对医学问题的认知一致，或至少能被人类理解。另一方面，针对生成式人工智能服务，施行算法备案与安全评估制度，要求大模型在提供服务前完成备案，并确保生成内容的真实性、准确性。

国际：FDA的SaMD框架与欧盟AI法案

美国FDA采用SaMD（作为医疗器械的软件）框架，依据软件对患者健康影响的风险等级进行分类监管。欧盟则通过《人工智能法案》（EU AI Act）将医疗AI列为高风险应用，要求建立风险管理体系、数据治理规范以及人类监督机制。值得注意的是，无论是FDA还是NMPA，目前对深度学习模型“内部如何相互影响”的机制均持审慎态度——正如业界共识，训练法虽为主流，但其工作原理尚未得到严格的数学定义，这为监管审查增加了技术难度。

常见问题

AI医疗大模型的“可解释性”为什么是监管焦点？

因为深度学习模型的内部运作机制目前无法被完整解释，类似于“知道黑火药的制备方法，但无法解释其中的化学原理”。监管方要求可解释性，本质上是要求AI的工作流程与人类医学认知逻辑相匹配，或至少可被人类理解，否则难以通过医疗器械审评。

训练1500亿参数模型需要履行哪些合规程序？

首先，训练数据的来源必须合法合规，包括患者知情同意与数据脱敏；其次，若用于辅助诊断等医疗决策，产品需按风险等级向NMPA申请医疗器械注册；此外，若涉及生成式服务，还需完成算法备案。具体流程建议以监管机构后续公布的实施细则为准。

美国与欧盟的监管框架有何差异？

美国FDA的SaMD框架以风险分级为核心，关注软件对患者健康的影响程度；欧盟AI法案则将医疗AI列为高风险类别，要求更严格的风险管理与人类监督。两者均要求可解释性与数据治理，但欧盟的合规义务更为系统化、前置化。