手術機器人醫療器械和人工智能醫療器械注冊產品是前沿，也是大方向，接著前一篇文章《北京市手術機器人生產質量管理規范?檢查指南（2025版）》，本文為大家帶來《北京市人工智能醫療器械生產質量管理規范檢查指南 （2024版）》，一起看正文。
手術機器人醫療器械和人工智能醫療器械注冊產品是前沿，也是大方向，接著前一篇文章《北京市手術機器人生產質量管理規范檢查指南（2025版）》，本文為大家帶來《北京市人工智能醫療器械生產質量管理規范檢查指南 （2024版）》，一起看正文。
北京市人工智能醫療器械生產質量管理規范檢查指南 （2024版）
人工智能醫療器械是指基于“醫療器械數據”，采用人工智能技術實現其預期醫療用途的醫療器械，包括第二類、第三類人工智能獨立軟件和含有人工智能軟件組件的醫療器械（包括體外診斷醫療器械）。
本指南結合人工智能醫療器械特點，依據《醫療器械生產質量管理規范》《醫療器械生產質量管理規范附錄獨立軟件》《醫療器械生產質量管理規范獨立軟件現場檢查指導原則》等文件，明確了對人工智能醫療器械的生產質量管理體系要求。旨在幫助北京市醫療器械生產監管人員增強對人工智能醫療器械產品生產監管的認知，指導和規范全市醫療器械生產監管人員對人工智能醫療器械注冊人、受托生產企業（以下簡稱“生產企業”）的監督檢查工作。同時，為相關生產企業開展生產管理活動提供參考和依據。
本指南中引用的國家相關法律、法規、規章、標準、檢查指南等版本發生變化時，要以當時執行的最新版為準。隨著法規、強制性標準體系的不斷完善以及科技能力、認知水平的不斷發展，必要時，北京市藥品監督管理局將重新研究修訂，以確保本指南持續符合要求。
一、機構和人員
人工智能醫療器械具有對數據和算法依賴性高的特點，數據處理和算法相關的機構和人員是關鍵性要素，生產企業應定義相關人員角色、明確職責和資質要求，可參照IEEE Std 2801-2022醫學人工智能數據集質量管理推薦標準。
（一）數據處理人員：生產企業應確立一名數據管理代表全面負責數據處理相關工作。數據處理人員一般包括首席研究員、數據管理員、采集人員、初級標注人員、審核人員、仲裁人員等，標注過程中處理同一例數據時，初級標注、審核、仲裁人員之間不可相互兼任；應明確人員的職責、任職資質、選拔、培訓、考核要求，如職稱、工作年限、工作經驗等；應有任命、培訓（如培訓材料、培訓方案）及考核記錄（如方法、頻次、指標、通過準則、一致性）等；對于生產企業外部聘用人員的還應記錄聘用、主要執業機構、培訓等信息，明確其資質是否滿足崗位要求。
（二）算法相關人員：生產企業應建立具有算法研發能力且穩定的算法團隊，確立一名團隊負責人全面負責算法相關工作。算法團隊人員一般包括：算法研究人員、算法工程人員、算法測試人員、算法部署人員，上述人員中同一算法測試人員不可與其他角色兼任。若采用外部委托研發或者直接使用開源項目進行算法的研發，則必須有算法測試人員和部署人員，并對算法相關的質量負責。
二、廠房與設施
人工智能醫療器械的數據集是進行開發的要素，對采用自建數據集的產品，數據預處理、清洗、標注等操作的場所為真實場所或模擬場所，真實的場所應明確環境條件（如空間、照明、溫度、濕度、氣壓等），如有特殊要求應保持相關記錄，采用模擬場所情形可根據產品實際情況調整模擬程度，需詳述調整理由并予以記錄；對采用公開數據集、第三方數據集，則需對數據集開發方所能提供范圍內的場地信息進行記錄。
三、設備
生產企業應結合自身產品的實際情況，在產品生存周期過程提供充分、適宜、有效的軟硬件設備、開發測試工具、網絡資源以及病毒防護、數據備份與恢復等保障措施。
（一）數據集構建所用設備
1.數據采集設備管理應明確兼容性和采集特征等要求，設備的兼容性記錄應包括采集設備的名稱、規格型號、制造商、性能指標，若無需考慮兼容性要求應詳述理由并予以記錄。采集特征需明確采集設備的采集方式（如常規成像、增強成像）、采集協議（如MRI成像序列）、采集參數（如CT加載電壓、加載電流、加載時間、層厚）、采集精度（如分辨率、采樣率）。數據采集若使用歷史數據，需列明采集設備及采集特征要求，并開展數據采集質量評估工作。
2.企業應配備執行數據集相關任務需要的資源，如訪問、讀取數據、預覽、檢索等任務需要的軟件、硬件、網絡配置。測試集應配備封閉管理需要的軟件、硬件、網絡配置，明確管理要求。
3.數據標注應明確標注軟件（包含自動標注軟件）的要求，明確標注軟件的名稱、規格型號、完整版本、制造商、運行環境、軟件確認等要求并予以記錄。
4.若需使用特定的外部設備獲取附加的信息（如病理結果、檢驗結果、數據模態轉化、多模態配準、體積測量、三維打印等），設備的規格型號、計量信息（如需計量）等應確認要求并予以記錄。
5.數據整理所用軟件工具（含腳本）均需明確名稱、規格型號、完整版本、制造商、運行環境，并進行軟件確認。
（二）算法研發所用設備
1.應明確定義并記錄進行算法訓練、算法測試、算法部署所用到服務器算力的典型配置（如GPU型號和數量、CPU型號和數量、內存大小、網絡帶寬等）。
2.應明確定義并記錄算法訓練所用的操作系統、開發環境（如編程語言及版本、集成開發環境及版本、web服務及版本、支持軟件及版本等）、算法架構（如基礎計算包、GPU指令集、集成開發環境插件等）。
3.應明確定義并記錄算法測試所用的操作系統、開發環境、算法框架、基礎服務等，若與其他外部設備進行配合或作為軟件組件集成到其他醫療器械中，明確說明外部設備和器械的規格型號。
4.應明確定義并記錄算法部署運行的操作系統、開發環境、算法框架、基礎服務、虛擬機、應用容器引擎等。
四、設計開發
生產企業應結合質量管理體系要求，建立人工智能醫療器械生存周期過程，開展與軟件安全性級別相匹配的產品質量保證工作，確定需求分析、數據收集、算法設計、驗證與確認、部署運行、更新控制等活動要求，將風險管理、可追溯分析（需包含算法和數據）貫穿于生存周期全程，形成記錄。
（一）需求分析
1.需求分析應當以用戶需求與風險為導向，結合產品的預期用途、使用場景、核心功能，綜合分析法律、法規、規章、標準、用戶、產品、功能、性能、接口、用戶界面、網絡安全、警示提示等需求，明確風險管理、可追溯性分析、數據收集、算法性能、使用限制、現成軟件（現成算法）的驗證與確認等活動要求，形成相應文件。
2.數據收集應當確保數據來源的合規性、充分性和多樣性，數據分布的科學性和合理性，數據質控的充分性、有效性和準確性。
3.算法性能需結合醫療實際和產品定位，明確假陰性與假陽性、重復性與再現性、魯棒性/健壯性、實時性等性能指標的適用性及其要求，并兼顧不同性能指標的制約關系。
4.使用限制需考慮產品禁用、慎用等場景，準確表述產品使用場景，提供必要警示提示信息。
（二）數據收集
1.數據采集
數據采集應當明確采集設備、采集過程、數據脫敏等質控要求，并建立數據采集操作規范。若使用歷史數據，應當結合樣本規模、采集難度等影響因素合理選擇數據采集方式，明確數據篩選標準并對采集的數據進行質量評估。
采集的數據應進行數據脫敏以保護患者隱私，數據脫敏需明確脫敏的類型（靜態、動態）、規則、方法以及脫敏內容的確定依據。如使用歷史數據，企業接收的數據應為脫敏后的數據，不得有敏感數據流入企業。
2.數據整理
數據整理應基于原始數據庫明確數據清洗、數據預處理的質控要求。數據清洗應當明確清洗的規則、方法、結果，數據預處理應當明確處理的方法（如濾波、增強、重采樣、尺寸裁剪、均一化等）、結果。數據經整理后形成基礎數據庫，需明確樣本類型、樣本量、樣本分布等信息。
3.數據標注
數據標注應當明確標注資源管理、標注過程質控、標注質量評估等要求，并建立數據標注操作規范。標注過程質控包括人員職責（如人員資質、人員數量、職責分工）、標注規則（如臨床指南、專家共識、專家評議、文獻分析）、標注流程（如標注對象、標注形式、標注輪次、標注步驟、結果審核）、分歧處理（如仲裁人員、仲裁方式）、可追溯性（如數據、操作）等要求。數據經標注后形成標注數據庫，樣本類型可分為數據塊（如圖像區域、數據片段）、單一數據（由多個數據塊組成）、數據序列（由多個單一數據組成）。標注數據庫的樣本量、樣本分布等要求及風險考量與基礎數據庫相同。
數據標注若使用自動標注軟件，結果不得直接使用，應由標注人員審核后方可使用。
4.數據集構建
基于標注數據庫構建訓練集、調優集（若有）、測試集，應當明確訓練集、調優集、測試集的劃分方法、劃分依據、數據分配比例。訓練集原則上需保證樣本分布具有均衡性，測試集、調優集原則上需保證樣本分布符合真實情況，訓練集、調優集、測試集的樣本應兩兩無交集并通過查重予以驗證。
數據擴增（若有）應當明確擴增的對象、范圍、方式（離線、在線）、方法（如翻轉、旋轉、鏡像、平移、縮放、濾波、生成對抗網絡等）、倍數，在線擴增亦需予以記錄，擴增需考慮數據偏倚的影響及風險。原則上不得對測試集進行數據擴增，對抗測試除外。
數據經擴增后應當形成擴增數據庫，需列表對比擴增數據庫與標注數據庫在樣本量、樣本分布（注明擴增倍數）等差異，以證實擴增數據庫樣本量的充分性以及樣本分布的合理性。
（三）算法設計
1.算法選擇
算法選擇應當提供所用算法的名稱、類型（如有監督學習、無監督學習，基于模型、基于數據，白盒、黑盒）、結構（如層數、參數規模）、輸入輸出數據類型、流程圖、算法編程框架、運行環境等基本信息，并明確算法選用依據，包括選用的理由和基本原則。若組合使用集成學習、遷移學習、強化學習等，需提供算法基本信息以及算法選用依據。
2.算法訓練
算法訓練應當基于訓練集、調優集進行訓練和調優，考慮評估指標、訓練方式、訓練目標、調優方式、訓練數據量—評估指標曲線等要求。
3.算法性能評估
算法性能評估應當基于測試集對算法設計結果進行評估，綜合評估假陰性與假陽性、重復性與再現性、魯棒性/健壯性、實時性等適用性，以證實算法性能滿足算法設計目標，并作為軟件驗證、軟件確認的基礎。若使用第三方數據庫開展算法性能評估，應當提供第三方數據庫的基本信息（如名稱、創建者、數據總量等）和使用情況（如測試數據樣本量、評估指標、評估結果等）。
對于黑盒算法，應開展算法性能影響因素分析，并提供算法性能影響因素分析報告，明確影響算法性能的主要因素及其影響程度，以及產品使用限制和必要警示提示信息。
（四）驗證與確認
1.軟件驗證
軟件驗證應當基于軟件需求予以開展，保證軟件的安全有效性，并作為軟件確認的基礎。
2.軟件確認
軟件確認測試應當基于用戶需求，由預期用戶在真實或模擬使用場景下予以開展，涵蓋現成軟件、網絡安全的測試要求，確定缺陷管理、風險管理、可追溯性分析、評審等活動要求，形成用戶測試記錄、測試報告以及評審記錄并經批準，適時更新并經批準?？勺匪菪苑治龃藭r應當分析用戶測試與用戶需求、用戶測試與風險管理的關系。同時，開展算法性能比較分析，若各類測試場景（含臨床評價）算法性能變異度較大，詳述原因并基于分析結果明確產品使用限制和必要警示提示信息。最后，結合算法訓練、算法性能評估、臨床評價等結果開展算法性能綜合評價，針對訓練樣本量和測試樣本量過少、測試結果明顯低于算法設計目標、算法性能變異度過大等情況，對產品的適用范圍、使用場景、核心功能進行必要限制。
基于測評數據庫開展的，除滿足數據庫通用要求（如數據管理、網絡安全與數據安全、可擴展性）外，還應滿足權威性、科學性、規范性、多樣性、封閉性和動態性要求。不應使用公開數據庫作為測評數據庫。
（五）部署運行
算法發布和更新時應在相關文件列明算法關鍵模塊的功能、接口、版本、存儲形式（如pt、pth、bin、onnx、pb、keras、ckpt、pkl等）；主要功能組件模塊及相互依賴和接口關系；軟件的前后端部署方式；對基礎軟件和硬件的依賴和兼容性要求等。
（六）更新控制
人工智能醫療器械若發生算法更新、軟件更新，均應當按照質量管理體系的要求，開展與算法更新、軟件更新的類型、內容和程度相適宜的驗證與確認活動，將風險管理、可追溯分析貫穿于更新全程，形成記錄。此外，算法更新、軟件更新均需考慮引入回滾機制，以保證醫療業務的連續性，特別是對風險較高的軟件。
軟件版本控制應當基于合規性要求確定軟件版本命名規則，涵蓋自研軟件、現成軟件、算法（算法驅動型更新或數據驅動型更新）網絡安全的全部軟件更新類型，明確并區分重大軟件更新和輕微軟件更新，并符合軟件版本命名規則的要求。
對數據集進行用途（如訓練、調優、測試、驗證等）的變更，應按照數據集管理體系的要求進行確認形成記錄。高控制等級的數據集停用后數據可流入低控制等級的數據集，不允許低控制等級的數據集向高控制等級流動（測試集數據可變更為訓練和調優使用，不可將訓練集、調優集的數據變更為測試使用）。數據集數據的變更，應按照建立數據集過程相同的質量體系進行管理，并記錄更新內容和版本變更。
（七）網絡與數據安全
人工智能醫療器械全生命周期過程中應當考慮網絡安全與數據安全問題，對網絡與數據安全過程的控制要求形成文件，包括數據轉移要求，數據整理、數據集構建、算法訓練等內部活動開展過程中的數據污染防護措施，以及數據標注、軟件確認等涉及外部活動開展過程中的數據污染防護措施及數據接口要求。
各數據庫（集）均需進行數據備份，明確備份的方法、頻次、數據恢復方法。
數據庫和數據集訪問應明確授權訪問管理要求，形成文件及記錄。
人工智能醫療器械軟件應明確算法的軟件安全性級別（輕微、中等、嚴重）并詳述判定理由。應形成算法風險管理資料，明確過擬合與欠擬合、假陰性與假陽性、數據污染與數據偏倚（如數據擴增引入的偏倚）、中外差異等風險的控制措施。
（八）可追溯性分析
可追溯性分析應當建立控制程序，涵蓋軟件、現成軟件、算法及數據、網絡安全的控制要求，形成軟件及算法的可追溯性分析報告。使用可追溯性分析工具保證軟件開發、軟件更新過程滿足可追溯性要求，并貫穿于軟件生存周期全過程。提供算法可追溯性分析報告等相關文件及記錄，即追溯算法需求、算法設計、算法實現、算法驗證與確認、風險管理、數據集的管理。若無單獨文檔可提供軟件可追溯性分析報告，并注明算法可追溯性分析所在位置。
五、采購
生產企業應確保采購物品符合法律法規的相關規定和國家強制性標準的相關要求，包括數據來源及以開源方式獲得的軟件等。
數據來源應當提供數據來源的合規性聲明，列明數據來源機構名稱、所在地域、數據收集量、倫理批件（或科研合作協議）編號等信息。
產品部署運行所需的軟硬件，應當記錄采購信息，其中以開源方式獲得的軟件組件、基礎包、基礎軟件、集成環境等，應列明來源、下載地址、版本、開源協議等信息。
六、銷售和售后服務
人工智能醫療器械軟件在產品設計具有持續學習/自適應學習能力的，需要在軟件部署階段確認自學習功能已關閉，并提供記錄。
七、不良事件監測、分析和改進
上市后需要持續開展算法泛化能力研究的，需要結合用戶投訴、不良事件和召回等情況識別前期未預見的風險，并采取有效的風險控制措施將風險降至可接受水平。此外，根據產品更新需求，經評估后實施更新活動，開展與之相適宜的驗證與確認活動，保證算法泛化能力持續滿足用戶需求。
如有人工智能醫療器械注冊或是人工智能醫療器械質量管理體系建設服務需求，歡迎您隨時方便與杭州證標客醫藥技術咨詢有限公司聯絡，聯系人：呂工，電話：18058734169，微信同。