没有合适的资源?快使用搜索试试~ 我知道了~
首页深度学习辅助决策医疗器械软件审批要点.doc
近年来随着新一代人工智能技术的快速发展,采用深度学习技术的医疗器械软件日益增多。为应对深度学习技术带来的监管挑战,并为相应医疗器械软件注册申报提供专业建议,我中心组织制定了深度学习辅助决策医疗器械软件审评要点(以下简称审评要点,详见附件)。 审评要点基于深度学习技术特点,结合软件的预期用途、使用场景和核心功能,重点关注软件的数据质量控制、算法泛化能力和临床使用风险。 审评要点采用基于风险的全生命周期管理方法考虑软件技术审评要求,包括需求分析、数据收集、算法设计、验证与确认、软件更新等内容,涵盖算法性能评估、临床评价、网络与数据安全等要求。 在软件更新方面,审评要点明确软件版本命名规则应涵盖算法驱动型和数据驱动型软件更新,并应列举重大软件更新的全部典型情况。轻微数据驱动型软件更新可通过质量管理体系控制,无需申请注册变更。 此外,审评要点还明确了非辅助决策软件、传统人工智能软件的要求以及第三方数据库、移动与云计算等考量。
资源详情
资源评论
资源推荐

— 1 ——
深度学习辅助决策医疗器械软件审评要点
一、适用范围
本审评要点适用于深度学习辅助决策医疗器械软件(含独
立软件、软件组件)的注册申报。深度学习辅助决策医疗器械
软件(以下简称软件)即基于医疗器械数据(医疗器械所生成
的医学图像、医学数据,以下统称数据),使用深度学习技术
进行辅助决策的软件。其中,“基于医疗器械数据”是指单独使
用医疗器械数据,或者联合使用医疗器械数据与非医疗器械数
据;“辅助决策”是指通过提供诊疗活动建议辅助医务人员进行
临床决策。
使用深度学习技术进行前处理(如成像质量改善、成像速
度提升、图像重建)、流程优化(如一键操作)、常规后处理
(如图像分割、数据测量)等非辅助决策的软件可参考使用本
审评要点。使用传统机器学习技术的软件亦可参考使用本审评
要点。
本审评要点遵循《医疗器械软件注册技术审查指导原则》
(以下简称软件指导原则)、《医疗器械网络安全注册技术审
查指导原则》(以下简称网络安全指导原则)、《移动医疗器

—— 2 —
械注册技术审查指导原则》(以下简称移动器械指导原则)等
相关指导原则要求。
本审评要点不含人工智能伦理、数据产权等法律法规层面
要求,但生产企业应当在软件全生命周期过程中考虑相关规
定。
二、审评关注重点
从发展驱动要素角度讲,深度学习实为基于海量数据和高
算力的黑盒算法。本审评要点重点关注软件的数据质量控制、
算法泛化能力、临床使用风险,临床使用风险应当考虑数据质
量控制、算法泛化能力的直接影响,以及算力所用计算资源
(即运行环境)失效的间接影响。
基于风险的全生命周期管理是此类软件监管的基本方法,
相关考量详见软件指导原则、网络安全指导原则、移动器械指
导原则以及医疗器械生产质量管理规范独立软件附录。下面结
合审评关注重点分别阐述软件风险管理、软件设计开发、软件
更新等方面考量。
软件风险管理活动应当基于软件的预期用途(目标疾病、
临床用途、重要程度、紧迫程度)、使用场景(适用人群、目
标用户、使用场所、临床流程)、核心功能(处理对象、数据
兼容性、功能类型)予以实施,并贯穿于软件全生命周期过

— 3 ——
程。软件临床使用风险主要包括假阴性和假阳性,其中假阴性
即漏诊,可能导致后续诊疗活动延误,特别是要考虑快速进展
疾病的诊疗活动延误风险;假阳性即误诊,可能导致后续不必
要的诊疗活动。进口软件除考虑假阳性和假阴性风险外,还应
当考虑中外人种、流行病学特征、临床诊疗规范等方面差异的
影响及其风险。生产企业应当采取充分的、适宜的、有效的风
险控制措施以保证软件的安全性和有效性。
软件典型设计开发过程通常可分为需求分析、数据收集、
算法设计、验证与确认等阶段。
(一)需求分析
需求分析应当以软件的临床需求与使用风险为导向,结合
软件的预期用途、使用场景和核心功能,综合考虑法规、标
准、用户、产品、数据、功能、性能、接口、用户界面、网络
安全、警示提示等方面需求,重点考虑数据收集、算法性能、
临床使用限制等方面要求。
数据收集应当考虑数据来源的合规性和多样性、目标疾病
流行病学特征、数据质量控制要求(详见下节)。数据来源应
当在合规性基础上保证数据多样性,以提高算法泛化能力,如
尽可能来自多家、不同地域、不同层级的代表性临床机构,尽
可能来自多种、不同采集参数的采集设备。目标疾病流行病学

—— 4 —
特征包括但不限于疾病构成(如分型、分级、分期)、人群分
布(如健康、患者,性别、年龄、职业、地域、生活方式)、
统计指标(如发病率、患病率、治愈率、死亡率、生存率)等
情况,以及目标疾病并发症与类似疾病的影响情况。
算法性能应当考虑假阴性与假阳性(指标、关系)、重复
性与再现性、鲁棒性/健壮性等要求。
临床使用限制应当考虑临床禁用、慎用等场景。
(二)数据收集
数据收集应当考虑数据采集、数据预处理、数据标注、数
据集构建等活动的质控要求,以保证数据质量和算法设计质
量。
1.数据采集
数据采集主要由临床机构实施,应当考虑采集设备、采集
过程以及数据脱敏的质控要求。
采集设备质控应当明确采集设备的兼容性要求和采集要
求。兼容性要求应当基于数据生成方式(直接生成、间接生
成)提供采集设备兼容性列表或技术要求,明确采集设备的制
造商、型号规格、性能指标等要求,若对采集设备无具体要求
应当提供相应支持资料。采集要求应当明确采集设备的采集方
式(如常规成像、增强成像)、采集协议(如 MRI 成像序

— 5 ——
列)、采集参数(如 CT 加载电压、加载电流、加载时间、层
厚)、采集精度(如分辨率、采样率)等要求。
采集过程质控应当建立数据采集操作规范,明确采集人员
要求和采集过程要求。采集人员要求包括人员的选拔、培训、
考核。采集过程要求包括人员职责、采集流程(如采集步骤、
操作要求)。
若使用现有历史数据,应当明确采集设备要求、数据采集
质量评估要求(如人员、方法、指标、通过准则)。
采集的数据应当进行数据脱敏以保护患者隐私。数据脱敏
应当明确脱敏的类型(静态、动态)、规则、程度、方法。
2.数据预处理
脱敏数据由临床机构转移至生产企业形成原始数据库,不
同模态的数据在原始数据库中应当加以区分(下同)。
数据预处理应当基于原始数据库考虑数据处理、数据清洗
的质控要求。数据处理应当明确处理的方法,如滤波、增强、
重采样、尺寸裁剪、均一化等。数据清洗应当明确清洗的规
则、方法。
数据处理和清洗应当明确选用软件工具的名称、型号规
格、完整版本、供应商、运行环境、确认等要求,同时考虑数
据处理选用方法对软件的影响及其风险。
剩余21页未读,继续阅读













安全验证
文档复制为VIP权益,开通VIP直接复制

评论0