科技部发布《人工智能医学影像研究伦理指引》：训练数据、合成数据、标注全流程立规
8月27日，科技部官网发布国家科技伦理委员会医学伦理分委员会研究编制的《人工智能医学影像研究伦理指引》，这是我国AI医学影像领域首份精细化伦理规范文件。《指引》将原始影像数据、训练数据、预训练数据、合成数据、验证与测试数据全部纳入定义范围，针对数据全生命周期提出四项要求：建立数据安全管理体系、严控数据质量与数据集来源、规范脱敏处理确保不可复原、审慎使用合成数据训练模型。同时要求算法开展跨设备、跨医院、跨人群复现性验证，并在数据采集、标注、训练、评估各阶段识别修正算法偏见。专家指出文件标志着该领域伦理治理从'原则性倡导'迈向'精细化指导'，对医疗机构、研发企业的数据合规提出可操作标准。
政策出台：AI医学影像首份精细化伦理规范
8月27日，科技部官网发布国家科技伦理委员会医学伦理分委员会研究编制的《人工智能医学影像研究伦理指引》。这是我国人工智能医学影像领域的首份精细化伦理规范文件，覆盖基础算法研究、技术研发、临床验证和转化全链条，旨在防范科技伦理风险，推动负责任创新。
复旦大学附属华东医院放射科主任张军评价，文件标志着该领域伦理治理从"原则性倡导"向"精细化指导"迈出关键一步。
数据全生命周期四项要求逐条解读
《指引》最具操作性的部分是对数据全生命周期的四项要求，直接命中医疗AI数据工作的核心环节：
- 数据安全管理体系：建立覆盖研究实验、临床试验到转化应用的数据安全管理体系，实现数据使用全程可追溯、可验证。
- 数据质量把控：严格把控数据质量，选用来源清晰、科学性充分的数据集——数据来源合规性被写入刚性要求。
- 脱敏规范：规范数据脱敏处理，确保处理后的信息无法重新识别自然人且不能复原。
- 合成数据审慎使用：通过数学模型、算法或生成式AI模拟生成的影像数据可用于补充训练样本，但须审慎使用。
值得注意的是，《指引》对数据类型给出了完整定义：原始影像数据、训练数据、预训练数据（含领域内与领域外数据）、合成数据、验证与测试数据——监管颗粒度已细化到数据集的用途分层。
算法验证：跨设备、跨医院、跨人群复现性
针对"算法黑箱"问题，《指引》要求算法灵敏性、特异性等核心指标达到适宜标准，经过可重复性测试，并开展跨设备、跨医院、跨人群的复现性验证，防范临床应用中的偏移风险。同时在数据采集、标注、训练、评估各阶段识别并修正算法偏见——标注环节首次被明确写入国家伦理规范的偏见治理要求。
《指引》同时明晰了知情同意豁免情形，要求搭建科研人员、医疗机构、科技企业、监管部门协同的责任体系，实现研究全过程可追溯、可问责。
数据团队自查清单：从采集到标注的合规要点
对医疗数据团队而言，这份文件可以转化为四条自查项：数据集来源是否清晰且科学性充分？脱敏是否达到"不可重识别且不可复原"标准？合成数据在训练配比中是否留有审慎评估记录？标注流程是否有偏见识别与修正机制？
中国人民大学伦理学者王国豫指出，《指引》落地需医疗机构、研发机构、科研人员与伦理审查委员会多方协同。对医疗AI企业来说，数据合规已从"加分项"变为"入场券"。
千方医数集编辑部 出品
