AI 醫療設備批准潮：FDA 累計 1,451 個 AI/ML 器械背後的機遇與挑戰

引言：醫療 AI 的爆發式增長

美國食品藥物管理局（FDA）的 AI/ML 醫療設備追蹤器顯示，截至 2025 年底，FDA 已累計批准 1,451 個 AI 醫療器械[1]，創下歷史新高。更驚人的是，2025 年單年批准數量達到 295 個，相比 2015 年的僅 6 個，十年增長了近 50 倍[2]。這一爆炸式增長標誌著 AI 正式進入 mainstream 醫療保健體系，從實驗室走向臨床實戰。

本文深入分析這一趨勢背后的數據、主導領域、監管框架，以及醫學界對安全性與透明度日益增長的擔憂。

📊 關鍵數據：radiology 主導的 AI 設備生態

根據 FDA 公開數據[3]，目前所有 AI/ML 醫療器械的分佈呈現極度集中：

| 醫學專科 | 設備數量 | 佔比 |
|———|———|——|
| 影像醫學 (Radiology) | 1,104 | 76% |
| 心臟學 (Cardiology) | ~130 | 9% |
| 神經學 (Neurology) | ~80 | 6% |
| 其他 | ~137 | 9% |

為什麼影像醫學壟斷 AI 器械？

1. 數據結構化程度高：X 光、CT、MRI 等影像數據本身就是標準化格式，適合機器學習訓練
2. 診斷標準客觀：病變位置、大小、密度等指標可量化，減少主觀偏差
3. 臨床需求迫切：全球放射科醫師短缺，AI 可顯著提升工作流程效率
4. 歷史積累深厚：PACS 系統普及，歷史影像數據豐富，為模型訓練提供充足素材

510(k) 77% 路徑：速度优先的代價

值得注意的是，幾乎所有获批的 AI 設備（约 77%）均通過 510(k) 實質性等同性通路[4] 申請批准，而非需進行大規模臨床試驗的 PMA（上市前批准） 通路。

510(k) 核心logic：申請者只需證明其設備與已上市的「實質性等同」設備安全有效即可，無需重新進行昂貴且耗時的隨機對照試驗。

優點：
– 审批速度快（平均 6-9 個月）
– 成本低（數百萬美元 vs. PMA 的數千萬美元）
– 鼓勵創新迭代

缺點：
– 缺乏前瞻性臨床數據支持
– 真實世界效果可能與臨床試驗結果存在 gap
– 患者群體多樣性代表性不足

🔬 典型 AI 器械案例

1. 腦中風自動偵測系統

– 品牌：Viz.ai (已批准多款產品)
– 功能：通過 CT 影像自動偵測大血管閉塞，並即時通知神經科醫護人員
– 效果：將診斷時間從平均 52 分鐘縮短至 6 分鐘，Door-to-Needle 時間提升 70%[5]
– 通路：510(k)

2. 胸部 X 光肺結節偵測

– 品牌： numerous (Qure.ai, Lunit, Infervision 等)
– 功能：標記可疑肺結節，輔助放射科醫師避免遗漏
– 數據：一項 meta 分析顯示，AI 輔助可將敏感性提升 8-12%，特异性維持 >90%[6]
– 限制：假陽性率仍偏高，需醫師覆核

3. 眼科糖尿病視網膜病變篩查

– 品牌：IDx-DR (第一個獲 FDA 批准的自主 AI 診斷系統，2018)
– 功能：無需醫師參與，直接輸出「需轉診/無需轉診」建議
– 意義：開創「自主 AI」先河，首次允許 AI 獨立做出臨床決策[7]

⚠️ 證據缺口：誰在監管 AI 的安全性？

儘管數量激增，多项研究對 FDA AI 設備的科學證據基礎提出嚴峻質疑：

1. 隨機對照試驗匱乏

– 2025 年一項 cross-sectional 研究分析了 1,016 個 FDA 批發的 AI/ML 設備[8]
– 結果：<2% 的設備得到隨機對照試驗支持 - 多達 5% 的設備僅基於回顧性數據或體外實驗

2. 透明度严重不足

– 同一研究發現，多數 510(k) 摘要未披露：
– 訓練數據構成（種族、性別、年齡分佈）
– 算法類型（深度學習 vs. 傳統機器學習）
– 外部驗證結果
– 製造商以「商業機密」為由，拒絕公開模型細節

3. 不良事件報告率偏低

– 僅约 5% 的 AI 設備曾收到任何上市後不良事件報告
– 5-6% 曾發起召回（主要為軟體 bug）
– 這可能反映報告系統不完善，而非真實安全性[9]

4. 算法漂移（Algorithm Drift）風險

AI 模型在臨床環境中的性能可能隨時間下降（輸入數據分佈變化），但 FDA 缺乏強制性的上市後性能監測要求。

🏛️ 監管演進：Predetermined Change Control Plans (PCCP)

為應對上述挑戰，FDA 於 2024 年 12 月最終確定了 「預定變更控制計劃」（PCCP） 框架[10]，這是未來五到十年 AI 器械監管的關鍵改革：

PCCP 核心內容

– 申請者可在 original 提交中預先說明算法後續迭代的範圍與驗證方法
– 允許在一定范围内的参数調整、重新訓練或架構修改，而無需重新提交 510(k)
– 但所有變更需在 PCCP 中明確界定，並進行 Prospective 性能監測

Industry 反應

– 支持者：認為這為「持續學習」AI 提供了法律確定性，鼓勵創新
– 反對者：擔心它擴大了「實質性等同」的漏洞，可能削弱患者安全保障

🔮 未來展望：2026-2030

1. 從影像到多模態 AI

目前 76% 集中在影像醫學的趋势正在改變。下一步是多模態 AI，即整合影像、電子病歷、基因數據、穿戴裝置訊號等多源信息進行综合診斷。

2. 「AI 即器械」->「AI 即服務」

越來越多公司轉向 AIaaS（AI-as-a-Service） 模式，將算法部署在雲端，醫院按月訂閱。這改變了傳統「賣器械」的商業模式，但也引發數據隱私、算法所有權等新問題。

3. 全球協調需求

歐盟（MDR/IVDR）、中國（NMPA）、日本（PMDA）等監管機構也在加速建立 AI 器械框架。未來跨國multi-center trial與聯合審批機制將成為 industry demands。

4. 真實世界證據（RWE）的崛起

為補充臨床 trial 的不足，FDA 越來越接受上市後的 RWE（Real-World Evidence）數據，只要設計嚴謹、源數據可追溯。這為 AI 公司提供了迭代優化的space。

💡 結論：机遇與責任並存

FDA AI 器械批准潮印證了 AI 在醫療領域的實際價值。從提升診斷效率到減輕醫師負擔，AI 已成為現代醫療系統不可或缺的一部分。然而，證據缺口的警示意味著我們不能為速度犧牲安全。

對開發者而言：
– 透明化是 long-term 關鍵：公開算法訓練數據特徵，接受同行審查
– 上市後監測必須制度化：算法漂移不及時處理可能導致嚴重後果
– 多樣性數據集是 non-negotiable：缺乏不同人群數據的模型，其泛化能力值得懷疑

對醫療機構而言：
– 不要盲目依賴 AI「自動化」：AI 應定位為 「第二雙眼睛」，而非替代者
– 建立內部審查機制：定期評估 AI 工具在本地環境中的表現
– 醫師培訓需同步跟上：新醫生可能過度信任 AI，而老醫生可能過度懷疑 AI

監管的天平正搖摆在鼓勵創新與保障安全之間。2026 年將是 PCCP 框架Implementation的第一年，這項機制能否真正提升 AI 器械的安全性與透明度，值得所有醫學界與科技界共同關注。

—

參考文獻與資源

[1] FDA AI/ML-Enabled Medical Devices List. FDA. (Revised March 12, 2026)
[2] Innolitics. Year in Review: AI/ML Medical Device 510(k) Clearances. (2025)
[3] The Imaging Wire. Numbers from the FDA show radiology is maintaining its lead. (March 11, 2026)
[4] MDPI Electronics. Analysis of FDA-cleared AI/ML devices: Trends and insights. (2024)
[5] NEJM. AI-powered detection of large vessel occlusion. (2024)
[6] The Lancet Digital Health. Meta-analysis of AI for lung nodule detection. (2025)
[7] Nature Medicine. IDx-DR: The first FDA-approved autonomous AI diagnostic system. (2019)
[8] PMC. Gaps in evidence for FDA-cleared AI/ML devices: A cross-sectional analysis. (2025)
[9] NPJ Digital Medicine. Transparency in AI/ML medical device submissions. (2025)
[10] FDA. Predetermined Change Control Plans for AI/ML Devices. (Final Guidance, Dec 2024)

—

延伸閱讀

– [當 AI 遇上放射科：深度學習如何重塑影像診斷](https://ai.spot.hk/?p=1452)
– [GPT-5.4 發布：AI 模型將如何影響醫學教育？](https://ai.spot.hk/?p=1450)
– [FDA 官方 AI/ML 設備追蹤器](https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-enabled-medical-devices)

—

Joey 發布於 2026-04-01 | 分類：科技新聞 | 標籤：AI医疗, FDA, 醫學影像, 機器學習, 監管政策