1500款AI器械缺上市后治理工具，AEGIS把FDA与欧盟条文落成工程系统

超过1500款AI器械已获批，AEGIS把FDA与欧盟条文落成可执行工程系统

趋势前瞻 × 监管与合规专家 ｜ 影响分析 × 投资人与产业分析师 ｜ 监管动态

开场：超过1500款机器学习器械已获批，治理工具却还是空白

2026年10月13日，《npj Digital Medicine》上线一项研究，提出名为AEGIS的内部治理与上市后监测基础设施，用于把FDA与欧盟关于模型迭代的条文要求落成可执行的工程流程。

规模决定了这个问题的分量。截至2026年6月，自1995年首次批准以来，已有超过1500个机器学习医疗器械获得FDA许可或批准。对传统器械而言，获批意味着设计冻结；对机器学习 (Machine Learning, ML) 模型而言，获批只是第一个版本的起点，此后模型仍会在新数据上继续被再训练与调整。

论文的出发点正落在这处错位上。医疗AI需要的是一种能在持续改进中保住安全性的治理方式，FDA的预定变更控制计划 (Predetermined Change Control Plan, PCCP) 与欧盟的上市后监督制度都在文本层面承认了迭代更新的合理性，但两者都缺少可操作的工程工具。

条文写清了允许改什么，却没有给出一套能在每次改动发生时自动判定其是否仍落在允许范围内的系统。1500余款已上市产品与一套空白的执行工具之间，正是AEGIS试图填补的位置。

条文说了什么：FDA的PCCP与欧盟MDR叠加AI法案各自的口径

FDA一侧的路径相对完整。该机构自2019年的讨论文件起步，到2025年8月落地指南，确立了PCCP框架，允许企业事先申报计划中的修改及其影响评估方式，获批后在计划范围内迭代而不必逐次重新申报。该框架覆盖510(k)、De Novo与PMA三条上市路径。

欧盟一侧则是两层叠加。底层是医疗器械法规 (Medical Device Regulation, MDR) 2017/745，上层是人工智能法案 (AI Act)。其中人工智能法案第43(4)条规定，技术文档中已记录的预定变更，可免于触发新的符合性评定。

两边的差异值得分开看。欧盟目前没有与PCCP对等的通道，实质性修改的界定仍模糊，企业难以预判某次更新是否越线。论文还特别提示了效力层级的不同：MDR与人工智能法案在欧盟属于约束性法律，而FDA的PCCP指南是一份非约束性文件。约束性更强，并不等于可操作性更强。

对跨法域经营的企业来说，这意味着同一款模型要同时满足两套语义不同的变更管理口径，而合规判断目前主要依赖人工逐案评估。

AEGIS的三块：数据集吸纳与再训练、模型监测、条件决策

在系统定位上，AEGIS被明确为内部治理与上市后监测基础设施，用途是支持记录面向PCCP与MDR对齐的预定治理路径。它不替代监管机构的审评，也不签发任何市场通行证，而是把条文要求翻译成企业内部可运行的流程与文档。

结构上分为三个模块。数据集吸纳与再训练模块负责新数据的准入与模型更新；模型监测模块负责跟踪性能与数据分布的变化；条件决策模块负责把前两者的输出转成一次明确的处置结论。

决策输出采用四分类法：APPROVE、CONDITIONAL APPROVAL、CLINICAL REVIEW与REJECT。四分类把监管语言里模糊的变更尺度拆成了可执行的档位——通过、附条件通过、转人工临床复核、直接否决。系统另配一条独立于四分类之外的ALARM信号，作为跨类别的告警通道，用于在决策本身之外单独提示风险状态。

这种设计的价值在于留痕。预定治理路径要成立，前提是每一次改动的输入、监测结果与处置结论都能被完整记录，供后续审评追溯。

跑通了什么：脓毒症与脑肿瘤两个示例模型触发全部决策类别

作者在两个示例模型上完成了实例化验证：脓毒症预测，数据来自PhysioNet；脑肿瘤分割，数据来自BraTS。两项任务分别代表预测类与影像分割类，覆盖了机器学习医疗器械中差异较大的两种形态。

实例化过程跑通了全部决策类别，并成功把失败情形路由到REJECT加ALARM状态，对应无可用部署模型、已发布模型处于风险中的情形。也就是说，系统不仅能给出通过结论，也能在监测指标越线时明确阻断发布并同时告警。

在真实跨站点数据上，漂移检测的ROC-AUC从0.82提升到1.00，可在接近500名患者的批次规模上稳定触发，且零误报。批次规模这项指标有实际意义：触发所需患者数越少，意味着性能回退能被更早发现，暴露窗口更短。

需要说明的是，这两个模型是论文用于演示的示例，不是已上市产品。实例化验证的是治理流程本身能否跑通，不是某款具体器械的临床有效性。

冷静观察：漂移检测ROC-AUC到1.00仍是概念验证，概念漂移没解决

论文对自身边界写得很清楚：这是一项概念验证，所用临床模型仅作示例，漂移打分只量化协变量漂移 (covariate shift)，概念漂移 (concept drift) 被明确留待后续工作。协变量漂移指输入数据的分布发生变化，概念漂移指输入与结果之间的对应关系发生变化，论文未将后者纳入当前的漂移打分。

因此，ROC-AUC从0.82提升到1.00不应被解读为任何已上市系统的实测表现。它是在研究者自建的示例流程与特定数据集上得到的数值，描述的是这套治理流程的可行性上限，而不是产品在真实部署环境中的漂移识别能力。零误报同样是在该实验设定下的结果。

另一层局限在条文与工程之间。FDA一侧的PCCP框架已成型，但指南本身非约束性；欧盟一侧有约束性法律，却缺少对等通道与清晰的实质性修改界定。AEGIS能做的是把企业侧的监测与处置流程工程化，无法弥合两侧条文在效力与清晰度上的落差。

对产业而言，这项工作的参考意义在于示范了一种落地方式：把变更控制从文档义务变成可运行的判定链路。至于这条链路能否在多中心、多厂商的真实部署中长期稳定，仍需在其离开示例模型之后另行验证。

原文链接：npj Digital Medicine

千方医数集编辑部 出品