随着人工智能（AI）技术在医疗领域的深度融合与应用，AI医用软件产品的创新与监管成为行业关注的重点。为规范相关产品的管理，国家药品监督管理局医疗器械技术审评中心发布了《人工智能医用软件产品分类界定指导原则》（以下简称《指导原则》），为产品的分类、注册和监管提供了明确指引。本文将重点解读《指导原则》中关于“人工智能基础软件开发”的相关内容及其行业意义。

一、 明确界定范围：何谓“人工智能基础软件”？
根据《指导原则》，人工智能医用软件可分为两大类：人工智能独立软件和人工智能软件组件。而“人工智能基础软件开发”通常指为上述两类软件提供核心算法、模型框架、开发平台或工具的关键底层技术开发活动。它不直接形成最终的医疗设备或诊断工具，而是为这些应用提供“大脑”和“骨架”，例如：

1. 专用医疗影像分割、分类、检测算法的研发与优化。
2. 面向特定疾病预测、疗效评估的机器学习/深度学习模型构建。
3. 医疗数据预处理、特征工程、模型训练与测试平台的开发。
4. 确保算法可解释性、鲁棒性及公平性的技术开发。

这类开发工作是AI医用软件的上游与核心，其质量直接决定了最终应用产品的性能与安全性。

二、 分类界定原则：开发活动如何对应管理类别？
《指导原则》的核心在于根据产品的预期用途、使用场景和风险程度进行分类（Ⅱ类或Ⅲ类医疗器械管理）。对于基础软件开发而言，其分类并非直接针对开发过程本身，而是针对基于该基础技术所开发的最终医用软件产品。开发者需前瞻性地评估：

• 预期用途：所开发的基础算法/平台将用于辅助诊断、治疗规划、预后预测等何种医疗活动？不同用途风险各异。
• 决策重要性：软件提供的信息是否作为临床决策的主要依据？如果是，通常风险较高，可能归为Ⅲ类。
• 数据与场景：处理的数据类型（如影像、病理、生理信号）、目标疾病（如恶性肿瘤、急重症）及临床场景（如筛查、监测、诊断）直接影响风险等级。

因此，从事基础开发的企业或研究机构，在项目初期就应参照《指导原则》，对目标应用进行预分类，从而在数据合规、算法验证、质量体系建立等方面提前布局，满足相应监管要求。

三、 对基础软件开发的关键指导与挑战
《指导原则》虽未直接规定开发流程，但其体现的监管思路对基础软件开发提出了明确要求：

1. 数据驱动的质量管控：强调训练数据集的代表性、规范性和质量。基础开发需建立严谨的数据采集、标注、管理与版本控制体系，确保数据来源合规、质量可控、隐私安全。
2. 全生命周期算法验证：要求对算法的性能、安全性、鲁棒性进行充分验证。开发过程中需设计科学的验证方案，包括数据集划分、性能指标（如敏感性、特异性）、对抗测试、临床意义评估等。
3. 可追溯与可解释性：鼓励提高算法的透明度和可解释性。基础开发需考虑记录模型架构、参数、训练历程，并尽可能提供决策依据的可视化或逻辑解释，这对复杂深度学习模型尤为重要。
4. 持续学习与更新机制：对于可能采用持续学习模式的软件，《指导原则》要求明确更新机制并严格控制风险。这要求基础开发在设计之初就考虑模型迭代、版本管理的安全架构。

面临的挑战包括：如何平衡算法创新与监管要求的确定性；如何构建跨机构、跨地域的高质量医疗数据集；如何建立适用于AI的工程化质量体系；以及如何应对技术快速迭代下的注册审批节奏等。

四、 行业影响与发展建议
《指导原则》的出台，标志着我国AI医用软件产业正从“野蛮生长”迈向“规范创新”的新阶段。对于人工智能基础软件开发而言：

• 利好长期主义者：明确了监管路径，降低了政策不确定性，有利于真正拥有核心算法能力、重视临床价值和长期合规的企业脱颖而出。
• 促进产学研医协同：强调了临床需求导向和真实世界验证，将推动基础研发与医疗机构、医学专家更紧密地结合。
• 提升国际竞争力：规范的监管环境有助于打造高质量、可信赖的AI医疗产品，为参与全球竞争奠定基础。

对从事人工智能基础软件开发的机构建议：

1. “医工结合”贯穿始终：从需求定义、数据准备到算法验证，紧密协同临床专家，确保解决真实临床痛点。
2. 建立“法规意识先行”的研发体系：将质量管理体系（QMS）要求融入研发全流程，特别是数据管理和文档控制。
3. 重视共性技术平台建设：投资建设合规、高效的数据处理、模型训练、测试验证和部署平台，提升研发效率与规范性。
4. 关注细分领域与差异化：在通用技术之外，深入特定病种、特定场景，开发具有深度临床知识和数据壁垒的专用算法与模型。

《人工智能医用软件产品分类界定指导原则》为整个行业，特别是上游的基础软件开发，绘制了清晰的发展地图和规则手册。在监管的框架下推动技术创新，实现AI赋能医疗的安全、有效与可靠，是行业健康可持续发展的必由之路。