AI医疗大幅扩张，美国FDA将作何反应？

本篇文章2967字，读完约7分钟

雷锋。(公开号码:雷锋。注:本文翻译自布拉德利·梅里尔·汤普森(bradley merrill thompson)撰写的《mobihealthnews》，作者为爱泼斯坦·贝克尔&格林(epstein becker & green，p.c .)，负责医疗器械和药物临床试验的审批，以及美国食品和药物管理局法规的咨询。雷锋网

随着大量公司涌入人工智能医疗领域，现代淘金热又开始了。

但是由于它的高风险，食品和药物管理局将监督这些软件。在美国，尽管21世纪治疗计划已经撤销了对一些CD(临床决策支持)的监管，并表示将撤销对更多项目的监管，但毫无疑问，fda将继续监管高风险CD。问题的关键在于:fda应该如何监管与机器学习技术相结合的高风险cds？

有人说机器学习在医学领域的应用太新了。我们不知道食品和药物管理局会有什么反应，但事实并非如此。fda在机器学习监管方面有几十年的经验，幸运的是，这可以给我们一些有用的提示:当这项技术大大扩展时，fda会如何反应？

美国食品和药物管理局机器学习技术监管实践自1998年以来，美国食品和药物管理局放射卫生部门开始监管计算机辅助识别系统。在大多数情况下，这些软件使用复杂的算法来寻找医学图像中的病变区域。最初，它们被确定为三级设备，这意味着最高的风险水平和最大的监管。后来，美国食品和药物管理局将它们评为二级，这意味着它们的风险水平是中等的。这些软件出售给临床影像医生，指导他们看电影，但医生不能完全依赖这些软件。理论上，这些软件的风险为零，但是美国食品和药物管理局怀疑成像医生将完全依赖系统检查，并忽略他们的风险警告。

2012年，美国食品和药物管理局发布了一系列指导文件，涵盖了与此类软件相关的所有法规。在这些文件中，美国食品和药物管理局重申了以前的法律法规中明确规定的内容:根据软件的临床应用进行分类将有效提高监管水平。Fda将cade与cadx区分开来。前者仅标记病变，而后者将进一步诊断和分类疾病。显然，由于需要更严格的监管，cadx具有更高的风险水平，这通常被认为是三级。

但是fda对cadx的态度也与时俱进。就在上个月，即2017年7月，美国食品和药物管理局决定将可识别癌症病变的cadx降级至二级。美国食品和药物管理局的举措强调“医学图像中疑似癌症病变的计算机辅助识别”，这是基于从医学图像中提取的信息或特征来识别病变并提供病变信息。将它评价为二级软件是一个“大步”，极大地促进了该软件的发展。因为这三类产品的制造商必须提交大量上市前批准申请并进行广泛的临床试验；然而，次级产品的制造商只需要澄清他们的产品基本上与市场上现有的产品相同(可能需要临床试验，但是他们在临床设计或实验范围方面更温和)。(

对于集成了机器学习算法的图像分析软件，fda有一套相对成熟的临床试验监管方法。研究人员可以创建一组医学图像数据集，其中包含正常人和已确诊患者的图像。申请人可以设计临床试验，在有或没有软件帮助的情况下，比较各组的最终诊断效果。当然，根据申请人需要证明的假设，还有其他可能的临床设计。

此外，美国食品和药物管理局有一套相对清晰的评估指标来评估集成了机器学习算法的软件。在2012年的指导文件中，fda列出了这些指标，如算法设计、特性、模型、用于训练和测试算法的数据集，以及所用测试数据的“卫生程度”。后者是非常重要的，因为一些申请人不选择基于测试集的分类，这显然是不允许的。美国食品和药物管理局想知道公司如何获得数据，以确保它反映真实情况。

Fda在判断公司试验中使用的统计方案和研究假设是否合适方面有丰富的经验。根据他们的经验，许多申请人的研究包含多个假设，这可能会影响后续的数据分析和统计方案。总之，美国食品和药物管理局最重要的目标之一是确保其预期用途能够反映在产品设计和临床验证中。

美国食品和药物管理局已经收到了一些申请，其中明确指出，有机器学习算法在他们的系统，这是所谓的"自适应系统"，由美国食品和药物管理局。随着它们进入市场并在使用过程中收集更多的新证据，这些系统将不断发展。事实上，开发一个适应性系统是大多数开发者的最终目标，但是它对食品和药物管理局提出了一定的挑战，因为现有的规定是:一旦医疗设备被改变，它必须被重新批准。如果这种设备自行发展，在什么时候需要重新批准？同样，食品和药物管理局必须决定哪些变化需要重新验证。至少在某些情况下，仅仅确定软件参数来控制软件是不够的。

此外，还有许多其他未解决的问题，例如软件开发人员是否可以重用他们的测试数据集；如何确定培训或测试的数据量？Fda可能会要求将噪声添加到数据集摘要中，以确保其验证软件的变更。

这些大多在医学成像软件领域。fda也开始介入其他医学软件领域的其他机器学习技术的应用。他们在这些领域收到了大量的批准申请，如分析实验结果；关键生命体征和脑电图及其他信号场的远程监控。fda设备中心的其他部门也面临着机器学习相关的问题，所以很有可能咨询放射卫生部门的同事。

根据美国食品和药物管理局的经验，我们至少可以推断出四点:该公司必须长期布局，并注意该系统的预期临床应用。除了为医生解释特定疾病提供关键参考和特定的低风险特征之外，任何其他东西都可以加强监督。

分类将是一个大问题。Fda可能会将机器学习的特定用途视为一种全新的技术，因此它规定了全新的分类规则。如果是这样，第一家将此类产品推向市场的公司要么根据三级设备标准申请批准，要么试图通过对产品风险进行重新分类来降低产品分类标准。然而，这并不意味着未来是暗淡的，有许多坏运气。我们知道食品和药物管理局现在会灵活应对。在许多情况下，fda允许将机器学习技术集成到现有产品中，这是通过二级设备标准批准的。

如果产品不能建立令人信服的验证标准，研究和设计可能会很复杂。在放射学中，在大多数情况下，通过活组织检查和其他诊断程序，我们可以建立一个客观的标准。其他领域的智能化要求更具创造性的临床试验设计。

在将机器学习技术应用于放射学的过程中，fda已经意识到的所有技术问题都将转化为其他形式的机器学习问题。Fda官员可能会向放射卫生官员询问机器学习问题，这尤其适用于其他与适应性系统相关的更具挑战性的监管问题。

好消息是，美国食品和药物管理局似乎非常关注机器学习的价值，以及这项技术将如何改变医疗行业。因此，在大多数情况下，他们可能对这种技术的缺陷有一种理解的态度，并且不希望过早和持续地阻止它。此外，最近，美国食品和药物管理局发布了一系列软件监管的改进措施，这可能有利于正在开发的机器学习产品。例如，美国食品和药物管理局似乎有利于使产品上市前更容易批准，同时，它对制造商在上市后收集大规模应用的证据有很高的要求。在任何情况下，食品和药物管理局对临床和严谨性的关注都必须有适当的证据。

结论美国食品和药物管理局一直在研究机器学习技术，并且越来越多的人了解它。然而，从实际的角度来看，fda很难招聘和留住机器学习专家，因为他们在公司挣得更多。

fda的医学影像和诊断部门一直在研究计算机辅助诊断技术。总有一天，一些模拟分析工具和有价值的数据会被发布，这将加速医学软件的发展。同时，通过研究20多年来机器学习的先驱，后来者可能找到推广新技术的最佳方式。

雷锋原创文章。严禁擅自转载。详情请参考转载说明。