AI医疗可解释性要求提高后，产品的研发和审批周期会显著拉长，但具体时长因产品类型和监管要求而异。当前，医院端需求旺盛，但合规供给不足，供需缺口预计在未来2-3年内逐步缓解，但完全再平衡仍需更长时间。
研发周期延长的核心原因：可解释性设计要求
可解释性要求的本质是要求AI医疗产品的工作流程与人类对医学问题的认知一致。然而，当前深度学习网络在挖掘因果性方面是弱项，即使网络能构造出看似符合人类认知的逻辑链路，更大可能是通过人为的网络结构设计获得的，而非机器学习本身发掘了因果性。这意味着，为了满足可解释性，研发团队需要额外投入大量精力进行网络结构设计，使其逻辑链路可被人类理解，这直接拉长了算法研发周期。
审批周期：监管对可解释性的刚性要求
无论是FDA还是NMPA，对AI医疗的可解释性都提出了很高的要求。监管机构要求看到因果关系，而不仅仅是相关性。这导致审批流程中需要额外提交关于算法可解释性的论证材料，以及证明其工作流程与医学知识一致性的证据。这部分工作目前尚无标准化流程，审批周期因此延长，但具体延长时间因产品复杂度和监管沟通效率而异，官方尚未公布统一标准。
供需再平衡的展望
目前，医院端对AI医疗产品的需求旺盛，但合规供给因研发和审批周期延长而不足。短期来看（1-2年），供需缺口仍将存在；中期（2-3年），随着首批满足可解释性要求的产品陆续获批，供给将逐步增加；长期（3-5年），随着行业对可解释性设计经验的积累和监管标准的成熟，供需有望趋于平衡。
常见问题
可解释性要求是否只针对医学影像AI？
官方资料明确指出，针对医学影像AI问题，可解释性要求其工作流程和人类对医学问题的认知一致。但可解释性本质是从深度学习理论角度提出的，因此所有依赖深度学习的AI医疗产品，只要其工作原理尚未得到严格数学定义，都可能面临类似要求。
可解释性要求会否导致AI医疗产品失去创新性？
可解释性要求未必会限制创新，它更多是引导创新方向。它要求网络结构设计与医学问题自身的逻辑匹配，这本质上是在考验人类如何理解医学问题。因此，它可能催生更多与医学认知深度融合的AI产品，而非纯粹的“黑箱”创新。
供需再平衡的主要驱动力是什么？
主要驱动力包括：行业对可解释性设计经验的积累（缩短研发周期）、监管标准的逐步明确（缩短审批周期）、以及更多满足可解释性要求的产品获批上市（增加供给）。需以官方后续公布及第三方实测数据为准。