引子：一台1998年的机器，和一个被遗忘的开端
1998年，FDA批准了一款叫ImageChecker的设备——它能自动在乳腺钼靶片上圈出可疑的钙化点，帮助放射科医生「不遗漏」病灶。这是人类历史上第一个获批的AI辅助影像检测系统。
当时没人叫它「AI」。它的名字是CAD（Computer-Aided Detection，计算机辅助检测）。
25年后，FDA批准的AI医疗器械超过1000款，其中影像AI占75%以上。从那个蹩脚的、假阳性高到让医生抓狂的CAD，到今天能自动测量结节体积、判断斑块性质、甚至独立给出眼科诊断的深度学习AI——这场跨越四分之一世纪的进化，值得我们从头梳理。
这一章，就是你理解医学影像AI全景的路线图。
31.1 CAD时代（1998-2012）：AI进医院的第一次
尝试
31.1.1 什么是CAD？
CAD的全称是Computer-Aided Detection（计算机辅助检测）。它的工作方式很简单：用传统的图像处理算法（边缘检测、形态学滤波等），在医学图像中标注出「不寻常」的区域，提醒医生「这里可能有病灶，请留意」。
核心逻辑：不替代医生，只做「提醒」。
31.1.2 CAD的技术原理：规则驱动
那个时代的AI不是今天意义上的「学习」，而是手工编写几千行规则。比如乳腺CAD的规则包括：
"如果某区域密度高于周围组织X%，且形态呈毛刺状，标记为可疑微钙化""如果某区域像素强度梯度超过阈值Y，标记为可疑肿块边缘"这些规则是人定的，不是AI自己学的。所以CAD的弱点非常明显：
弱点 表现假阳性极高 每次检查出3-5个「假报警」，医生要花大量时间排除不会学习 不管看多少张片子，CAD不会变聪明场景单一 一个CAD系统只能看乳腺，看不了肺、看不了脑
31.1.3 CAD的实际价值：争议从未停止
2015年，一篇发表在《JAMA Internal Medicine》上的研究分析了超过40万例乳腺钼靶检查数据，结论是：CAD的使用并未显著提高乳腺癌检出率，反而增加了不必要的召回率。
31.2 CADe与CADx：一字之差，天壤之别
31.2.1 概念辨析
2012年深度学习崛起后，CAD被重新定义，分为两个流派：
| 类型 | 全称 | 做什么 | 技术路线 |
|---|---|---|---|
| CADe辅助检测「这里有没有问题？」 定位可疑区域 | Computer-Aided | Detection | 计算机 |
| CADx辅助诊断「这是什么问题？」判断病灶良恶性/分级医生视角类比：CADe像影像科轮转实习生——能说「老师，这片子上有个东西不太对」，但不知道那是什么。CADx像高年资主治——不仅看到了，还能判断「这大概率是浸润性导管癌，建议活检」。 | Computer-Aided | Diagnosis | 计算机 |
31.2.2 技术路线分化
CADe和CADx的技术路径完全不同：
| 维度 | CADe | CADx |
|---|---|---|
| 核心模型 | 目标检测（Faster R-CNN、YOLO等）分类网络 + | 分割网络 |
| 训练数据 | 需要标注边框（bounding box） | 需要病理金标准验证 |
| 输出 | 热力图/标注框 + 可能性分数 诊断分类 + | 置信度 |
| 典型任务 | 肺结节检测、骨折定位 | 结节良恶性判断、肿瘤分期 |
| 审批难度 | 较低（辅助检测） | 较高（涉及诊断决策） |
31.2.3 实际产品中的融合
如今绝大多数学影像AI产品已经不再是单纯的CADe或CADx，而是检测+诊断一体化。比如一款肺结节AI，既可以自动检出✅m以上的结节（CADe），又能给出长短径测量、体积计算、良恶性概率评估（CADx），甚至自动生成结构化报告。
31.3 FDA审批AI器械全景：1000+款，影像占75%
31.3.1 增长速度
FDA从1995年开始统计AI/ML赋能的医疗器械审批数据。截至2026年，FDA批准了超过1000款AI医疗器械，其中影像类约占75%（放射+病理+眼科+皮肤科等）。
增长曲线：
年份区间 累计批准数 增速特征1995-2015 ~50 缓慢（CAD为主）
2016-2019 ~100 深度学习开始进入2020-2022 ~350 COVID催化远程诊断需求2023-2026 ~1000+ 爆发式增长
31.3.2 影像AI的细分领域分布
细分领域 占比 代表性产品放射影像（CT/DR/MRI） ~55% 肺结节、脑出血、骨折眼科 ~8% 糖网筛查（IDx-DR）
病理 ~5% 前列腺癌Gleason评分心血管 ~7% 冠脉CTA、超声心动图其他（皮肤、消化内镜等） ~5% 皮肤镜AI、结肠镜AI
31.4 中国NMPA审批路径：三类证的「过独木桥」
31.4.1 分类逻辑
中国对AI医疗器械的分类逻辑非常明确：凡是「对诊断结果有直接影响的AI软件」，都属于第三类医疗器械（最高风险等级），必须获得三类证。
分类 风险 示例 审批二类 中风险 影像归档与通信系统、单纯图像后处理省局审批三类 高风险 AI辅助诊断、AI辅助分诊、AI筛查 国家局（NMPA）审批
31.4.2 NMPA审批流程
三类证审批有四个关键步骤：
第一步：产品定型与注册检验 将AI软件「冻结」为一个不可修改的版本，送到指定检测机构（如中检院）进行安全性测试。
第二步：临床试验 必须通过伦理审批，在至少3家中心开展临床试验。核心验证指标包括：灵敏度、特异度、曲线下面积（AUC），以及和医生的一致性分析。
第三步：注册申报 向国家药品监督管理局（NMPA）提交数千页的技术文档（软件描述、算法原理、训练数据来源、验证结果、临床数据等）。
第四步：技术审评与发证 NMPA组织专家进行技术审评，审查周期通常为12-24个月。
31.4.3 已获批的代表性产品
截至2026年，中国已批准超过80款三类AI医疗器械。代表性产品包括：
企业 产品 获批时间 核心功能推想科技 肺结节CT影像辅助检测软件2019（首款） 肺结节CADe联影智能 颅内出血CT辅助分诊软件 2020 脑出血紧急分诊数坤科技 冠脉CTA辅助诊断软件 2020 冠脉狭窄度分析鹰瞳科技 糖网眼底图像辅助诊断软件2020 糖网筛查科亚医疗 冠脉血流储备分数计算软件2020 CT-FFR深睿医疗 肺炎AI辅助诊断软件 2020 肺部疾病综合诊断
31.5 中美监管对比：两条不同的路径
31.5.1 核心差异
| 维度 | 美国FDA | 中国NMPA |
|---|---|---|
| 主要审批路径 | 510(k)、De Novo、PMA | 三类医疗器械注册 |
| 核心逻辑 | 与已上市产品「实质等同」 | 独立安全性与有效性评价 |
| 临床试验要求要三类证全部需要多中心临床 | 510(k)多数不需要，De | Novo需 |
| 审批周期已批数量（截至 | 510(k)：3-6个月 | 三类证：12-24个月 |
| 2026） | 1000+ | 80+ |
| 更新机制 | 允许一定程度的软件迭代 | 重大更新需重新注册 |
31.5.2 FDA 510(k) 路径：为什么批得这么快？
510(k)路径的核心逻辑是：你的新器械只要证明与已上市器械「实质等同」，就可以上市，不一定要重新做大规模临床试验。
这对AI器械来说非常友好——很多AI产品的510(k)申请只需要回顾性研究（使用历史数据验证），不需要做前瞻性多中心临床试验。这也是FDA批准数量远超NMPA的重要原因。
31.5.3 NMPA的特点：更「重」也更「稳」
NMPA的审批虽然慢，但门槛更高。一款通过NMPA三类证审批的AI产品，通常经过了前瞻性多中心临床试验+独立外部验证，数据质量比510(k)路径的回顾性研究更扎实。
31.6 商业化现状：中国影像AI的全球布局
31.6.1 中国企业的出海版图
企业 海外市场 海外认证推想科技 欧盟、日本、东南亚 CE、PMDA联影智能 全球50+国家 CE、FDA 510(k)
数坤科技 欧盟、东南亚 CE鹰瞳科技 东南亚、中东、非洲 CE深睿医疗 欧盟、东南亚 CE
31.6.2 商业模式进化
中国影像AI的商业模式经历了三个阶段：
阶段 时间 模式 特点
1.0 2016-2019 科研合作 免费装机、医院出数据、企业出算法
2.0 2020-2023 软件授权 按工作站/年收费，10-50万/年
3.0 2024-至今 SaaS+按次收费 云端部署、每例分析计费
31.7 关键挑战：三道坎
31.7.1 第一道坎：多中心验证
AI模型的性能在不同医院差异极大。同一款肺结节AI，在一家三甲医院AUC达到0.95，换一家数据分布不同（不同CT机型、不同扫描参数、不同患者人群）的二甲医院，可能降到0.85甚至更低。
这就是领域漂移（Domain Shift）——AI模型对训练数据的分布极其敏感。解决方向包括：联邦学习（多家医院协作训练但数据不出院）、持续学习（AI在部署后根据本地数据自我更新）。
31.7.2 第二道坎：数据漂移与设备更新
影像AI面临的另一个独特挑战：医院更换CT/DR设备后，AI可能需要重新调优。新设备的图像风格、噪声分布、分辨率等与旧设备不同，AI的表现可能下降。这在制造业AI中叫「数据漂移（Data Drift）」，在医疗AI中尤其棘手，因为每次「重新校准」
都需要医疗级别的验证数据。
31.7.3 第三道坎：谁来买单？
买单方 现状患者自费 部分体检/高端人群，但无法规模化医院采购 经济下行压力大，信息化预算被压缩医保支付 绝大多数省份尚未纳入买单方 现状商保支付 零星试点，未成规模报销政策是影像AI商业化的最大瓶颈。 美国CMS（医保与医助服务中心）已开始为部分AI辅助影像分析支付额外费用，但中国尚未有全国性的AI医疗收费标准和医保支付政策。
31.8 对医生的启示
启示一：不要低估审批难度
很多医生问：「为什么我们医院不能用ChatGPT读片？」答案很简单：NMPA三类证需要12-24个月+多中心临床验证。AI辅助诊断不是做一个模型就行，而是要过审批的医疗器械。 意识到这一点，你就理解了为什么「医院里的AI」和「手机上的AI」差距如此之大。
启示二：「敏感度过高」有时是好事
CAD时代留给医生的「阴影」是假阳性太多。但深度学习的影像AI已经在某种程度上解决了这个问题——但完全消除假阳性是不可能的。你需要的不是「完美AI」，而是明确AI在你的工作流中扮演什么角色——是初筛（容许一定假阳性），还是最终决策（要求极高特异度）。
启示三：关注本地验证，别只看论文
论文里的AUC 0.97不代表你医院的AI也是0.97。任何一个影像AI产品在被引入你科室之前，必须用你医院的数据做本地验证。 这不是学术洁癖——是FDA和NMPA都明确要求的「上市后监管」环节，可惜执行得并不好。
31.9 本章小结
| 维度 | 核心要点 |
|---|---|
| 历史 | CAD（1998）→ 深度学习（2012）→ 大模型时代（2024+） |
CADe vs CADx 检测（在哪）vs 诊断（是什么），现代产品已融合FDA审批 1000+款，影像占75%+，510(k)路径速度快NMPA审批 80+款，三类证12-24月，多中心临床门槛高商业化 渗透率<5%，中国企业出海加速三大挑战 多中心验证、数据漂移、报销政策
31.10 延伸思考
你们科室现在用的是CADe级别的AI还是CADx级别的AI？你更信任AI的「检出」
能力，还是「诊断」能力？
NMPA三类证的审批周期长达12-24个月——这对AI技术的快速迭代来说意味着什么？是否会导致医院使用的AI总是「落后一代」？
如果有一天医保开始报销AI辅助诊断费用，你的诊疗行为会发生什么变化？你会减少自己做最终判断的次数吗？
本章初稿，待浩哥审阅。