人工智能医疗器械是指基于“医疗器械数据”,采用人工智能技术实现其预期用途(即医疗用途)的医疗器械。我们经常说的机器学习,是属于人工智能概念的子集,是人工智能的核心领域,目前二者对于医疗器械而言含义基本相同,统一采用人工智能进行表述。
关于人工智能的类型,可以从很多维度进行阐述,下表梳理了不同维度下的人工智能类型,大家可以对号入座,看看自家人工智能产品的“成分”如何。
人工智能类型 | 类型描述 | ||
用途角度 | 辅助决策类 | 通过提供诊疗活动建议辅助用户(如医务人员、患者)进行医疗决策 | 通过病灶特征识别、病灶性质判定、用药指导、治疗计划制定进行辅助分诊、辅助检测、辅助诊断、辅助治疗等 |
非辅助决策类 | 仅提供医疗参考信息而不进行医疗决策 | 包括流程优化(如成像流程简化、诊疗流程简化等)、诊疗驱动(如成像质量改善、成像速度提高、自动测量、自动分割、三维重建等) | |
功能角度 | 处理功能类 | 前处理功能 采集人体解剖、生理信息生成医疗器械数据过程的处理功能 | 如成像流程简化、成像质量改善、成像速度提高等 |
后处理功能 利用医疗器械数据生成诊疗信息或进行医疗干预过程的处理功能 | 如诊疗流程简化、自动测量、自动分割、三维重建、病灶特征识别、病灶性质判定、用药指导、治疗计划制定等 | ||
控制功能类 | 控制/驱动医疗器械硬件运行的功能 | 如闭环控制、机械臂运动控制等 | |
安全功能类 | 保证医疗器械安全性的功能 | 如风险预警、急停控制等 | |
学习策略角度 | 有监督学习 | 需要对训练数据进行标注 | 如线性回归、逻辑回归、决策树、朴素贝叶斯、K近邻、支持向量机等经典回归、分类算法 |
无监督学习 | 无需对训练数据进行标注 | 如K均值、主成分分析等经典聚类、降维算法 | |
学习方法角度 | 基于模型的算法 | 采用统计模型、规则推理等方法 | / |
基于数据的算法 | 主要采用大数据方法 | / | |
可解释性角度 | 白盒算法 | 特征提取需要人为干预,可与现有医学知识建立关联 | / |
黑盒算法 | 自动完成特征提取,难与现有医学知识建立关联 | / | |
成熟度角度 | 成熟 | 安全有效性已在医疗实践中得到充分证实的情形 | 注:人工智能医疗器械的算法、功能、用途若有一项为全新则属于全新类型,反之属于成熟类型。 |
全新 | 未上市或安全有效性尚未在医疗实践中得到充分证实的情形 | ||
上述类型划分维度是可以相互交叉的,每家企业的人工智能产品可能涉及一种或多种人工智能类型。例如:前处理和后处理均可采用不同类型的人工智能算法实现辅助决策、非辅助决策用途,有监督学习和无监督学习既可采用基于模型的算法、基于数据的算法,又可采用黑盒算法、白盒算法。
企业在搞清楚自家人工智能产品的“成分”后,然后再按照《人工智能医疗器械注册审查指导原则》准备注册申报需要提交的软件资料,才能事半功倍!

