AI医疗器械注册审查指导原则2026修订版

人工智能医疗器械融合算法、数据与临床场景，其不确定性对传统审评提出新挑战。2026修订版注册审查指导原则进一步细化算法透明、数据集质量与持续学习的要求。本文解析修订重点，助力企业规范申报。

修订的核心导向

2026修订版延续以风险为基础、全生命周期管理的思路，更强调算法可追溯、数据可代表与更新可控制。指导原则要求企业清晰描述算法架构、训练策略与决策逻辑，尤其对黑盒模型须提供可解释性说明与局限提示。修订也呼应大模型与智能体等新形态，给出适用性指引。企业应从设计源头落实质量工程，而非将合规寄托于事后说明。审查关注文档是否真实反映产品技术实质，避免名义合规而实现不符。

数据集与测评规范

修订强化训练集、验证集与测试集的划分原则，要求数据来源多样、标注规范且具有目标人群代表性。对医学影像等，须说明采集设备、人群分布与偏倚控制。指导原则要求测试集独立且锁定，防止数据泄漏导致性能虚高。企业应建立数据治理台账，记录采集、清洗与标注过程。对外部数据库应评估适用性。数据集质量直接决定算法泛化能力证据，是AI器械注册审查的技术基石，也是上市后性能稳定性的前期保障。

软件确认与验证

除算法性能外，修订关注软件系统层面的确认，包括接口、异常处理、网络安全与可追溯性。企业须开展软件验证与第三方测试，证明在真实使用环境下的可靠性。对持续学习算法，应说明更新触发条件、再确认策略与回滚机制。指导原则强调版本管理与变更控制，确保每次迭代均可追溯。企业还应提交用户培训与说明书警示，帮助使用者理解局限。系统级确认与算法级验证并重，方能支撑临床安全有效的整体结论。

临床评价路径

AI器械临床评价可结合已有文献、同品种比对或临床试验。修订要求明确临床预期用途与终点，如诊断准确度提升、工作流改善或患者结局获益。对辅助决策类，应评估对医生判断的影响与误用风险。指导原则鼓励真实世界数据补充长期表现。企业须论证数据集性能向临床价值的转化，而非仅报告离线指标。审查重视证据是否支持说明书声称，避免将研究性能不当地外推至未验证场景，保障临床使用安全。

申报组织与持续合规

申报应提交算法描述、数据治理、验证测试、临床评价与更新计划。建议企业就算法透明度与更新策略关键问题与审评沟通。修订强调上市后监测，企业须建立性能漂移追踪与再确认机制。规范化的资料组织与主动沟通，有助于缩短技术审评周期，提升AI医疗器械注册申报质量。把持续合规内化为产品生命周期管理，方能在快速迭代中保持监管可信度与用户信任。

AI医疗器械注册审查指导原则2026修订版，标志着监管对算法、数据与更新控制的要求更加系统与精细。企业唯有把数据集质量、软件确认与临床证据贯通设计到上市全链条，才能提交合规且有价值的申报资料。建议组建算法、临床与法规协作团队，在立项阶段即落实数据治理与可解释性设计，申报时以逻辑闭环呈现证据，并建立上市后持续监测机制，从而加快注册进程，使安全可靠的AI器械早日服务临床。企业宜提前部署数据治理平台与可解释工具，把新版审查要求转化为可执行的研发流程与检查清单，使算法透明、数据质量与持续学习控制真正落地到日常工作中。