深度研报

Aidoc拿下第三个FDA突破性器械认定:CARE胸片分诊覆盖纵隔积气与肺萎陷,19个月三证同出一个基础模型

发布于
阅读 39
#深度研报#Aidoc#突破性器械认定#基础模型#胸片AI#影像分诊#FDA
Aidoc拿下第三个FDA突破性器械认定:CARE胸片分诊覆盖纵隔积气与肺萎陷,19个月三证同出一个基础模型

Aidoc宣布其CARE Chest X-Ray Triage获FDA突破性器械认定,为公司一年多内第三个该认定。本次认定针对纵隔积气与肺叶或肺萎陷两项危及生命发现的分诊与优先级排序,对应510(k)仍在FDA审评中。三个获认定的产品均构建于同一个CARE基础模型之上,Aidoc称其为首个拥有FDA清证解决方案的临床级基础模型。

19个月三个认定:Aidoc用同一个基础模型,把胸片分诊的覆盖边界往外推

技术架构视角 × AI供应商 | 审批路径与研发ROI趋势 × 研发决策者 | 深度研报

**2026年9月23日,Aidoc宣布其CARE Chest X-Ray(CXR)Triage获得FDA突破性器械认定(BDD),这是该公司19个月内收到的第三个BDD。**本次认定针对胸片上的两项发现——纵隔积气,以及肺叶或肺萎陷——的分诊与优先级排序。更广泛的CARE CXR Triage方案仍在开发,拟在同一工作流内支持更多发现;对应510(k)(K263226)正在FDA审评中,该方案尚未在美国销售。

一年三个认定,都在同一个底座上

三个认定的时间点排得很密:2025年8月的CARE Multi-Triage Body CT,2026年4月的CARE First Read for Chest X-Ray,以及本次的CARE CXR Triage。这三条线并非各自独立的平行推进,而是同一个模型底座在解剖部位与模态上的连续外推。

三款器械的共同点写在架构层:均构建于CARE基础模型之上,并通过Aidoc的aiOS部署。CARE被称为首个拥有FDA清证解决方案的临床级基础模型,其设计目标是可跨临床发现、解剖部位(腹部与胸部)、模态(CT与X光)以及工作流任务(分诊、表征、测量、报告起草)重复使用。

**对一家AI供应商来说,基础模型的商业意义不在于某个单点的准确率数字,而在于同一个底座能否被反复复用,把新增适应症的边际开发成本压下来。**这也是判断这类公司竞争壁垒的更可靠坐标:看它扩张靠的是重新立项,还是复用。

从产品形态看,三款器械分别落在体部CT、胸片首读与胸片分诊上,任务性质并不相同:一个偏多发现分诊,一个偏首读,一个偏优先级排序。**能被同一个底座串起来的原因,是它们共享的是影像理解与表征能力,而不是某个固定的临床终点。**这种结构决定了扩张的方向——先横向铺开覆盖,再逐个把覆盖转成可提交的证据。

这次批的是什么:两项危及生命发现的分诊权

BDD的定义本身带着明确的门槛:FDA将这一认定授予那些可能为危及生命疾病提供更有效诊断或治疗、且回应未满足临床需求的技术,用以支持加速开发与审评。换句话说,认定指向的是临床紧迫性,而不是产品成熟度。

  • 认定范围:胸片上的纵隔积气;肺叶或肺萎陷
  • 任务类型:上述两项发现的分诊与优先级排序
  • 更广泛方案:CARE CXR Triage仍在开发中,拟在同一工作流内支持更多发现
  • 监管状态:510(k)(K263226)正在FDA审评中,尚未在美国销售

**认定的是两项发现的适应症,不是整个胸片分诊方案。**这条边界在官方表述里写得很清楚:当前覆盖仅含上述两项,更多发现仍在开发路径上。把认定范围和产品范围区分开,是读这类公告时最容易出错、也最不该出错的一步。

19个月三证:基础模型把开发周期压成了什么样

在传统的影像AI开发路径里,每增加一个适应症、每跨一个模态,往往都意味着重新采集与标注数据、重新训练、重新做验证与临床评价,周期以年为计。Aidoc给出的时间线是另一番密度。

Aidoc首席研发与AI官Idan Bassuk表示,推出CARE 19个月以来,公司已在跨解剖部位与模态的三款器械上获得突破性器械认定。这句话里的关键词不是“三个”,而是“跨解剖部位与模态”——它描述的是复用能力,而不是单产品的推进速度。

**19个月三证的真正含义,是新适应症的扩张路径从逐个建模压缩成了在同一底座上的扩展与验证。**对关注研发效率的负责人来说,这一点比任何单点的性能声明都更值得折算成ROI:它决定的是后续每条管线的启动成本与时间,而不是第一款产品的表现。

不过效率提升并不等于证据可以打包提交。跨解剖部位与跨模态的复用能力解决的是“能不能做出来”,而监管审查看的是“在代表性数据与真实工作流里是否站得住”。**这两件事的节奏并不一致:前者可以被平台加速,后者只能一项一项走完。**理解了这一点,才能正确读出本次认定只覆盖两项发现的克制之处。

分诊标准化的另一面:影像分散在多双手里

AI分诊要解决的问题,不只是算法够不够准。医疗系统的影像常常分散在培训医师、住院医、院外读片组、远程放射与急诊医师之间,这种分工带来的是读片质量与及时性不均的固有风险——同一个危急征象,落在不同的手上,被看到的时间可能完全不同。

**分诊标准化的真正对象,是一整条被拆散的读片链路,而不只是其中的算法环节。**优先级排序的产品价值正在于此:把有限的注意力强制分配到最危急的那批影像上,让危急征象的等待时间不再取决于它恰好落在谁的手里。

这也意味着,AI的输出必须嵌进一条已经很拥挤的工作流。同一工作流内支持更多发现的方案设计,方向上是合理的,但它同时把校验责任推到了更长的链条上——覆盖得越广,越需要说清楚每一项发现各自在什么样的条件下成立。

冷静观察:认定不是清证,覆盖广度不等于单项可靠性

需要明确的第一个边界是:在一个发现上表现良好并不自动满足更广泛器械的要求,每个适应症都需要在代表性数据、临床场景与工作流条件下单独评估。覆盖广度不等于单项可靠性,两项发现拿到认定,不代表同一工作流内的其他发现具备同等证据。

第二个边界是监管语义上的。BDD是一条加速开发与审评的通道,它不是安全性或有效性的结论。对应的510(k)(K263226)仍在FDA审评中,方案尚未在美国销售——认定和可售清证之间,还隔着一段没有走完的路。

对研发决策者而言,可复用的底座确实值得关注,但真正可验证的对象始终是逐个适应症的证据,而不是平台叙事本身。把“19个月三个认定”读作扩张效率的信号是合理的,把它读作全部临床能力的背书则越界了。

更稳妥的读法是把认定当作中间节点:它确认了临床需求与技术路径被监管机构看见,尚未确认产品在常规使用中的表现。在510(k)审评有结论之前,这个方案仍应被当作在研项目来评估,而不是可采购的成熟能力。

原文链接:Aidoc官方博客


千方医数集编辑部 出品

返回医药AI前沿资讯