隨著一大波公司湧入 AI 醫療領域，一股現代淘金風潮再度掀起。
但由於高風險性，FDA 將監管這些軟體。在美國，雖然「21 世紀治療方案」已撤銷對部分 CDS 的監管（ClinicalDecisionSupport，臨床決策支援），並表示還會撤銷更多專案的監管，但確信的是，FDA 會繼續監管高風險的 CDS。問題的關鍵在於：FDA 該如何監管集成機器學習技術的高風險 CDS？
一些人稱醫療領域的機器學習應用太新，不知道 FDA 將有何反應，但事實並非如此，FDA 已有數十年的機器學習監管經驗了，且幸運的是，這能給我們一些有用的幫助：當這種技術大幅擴張時，FDA 會有何反應？
FDA 對機器學習技術的監管實踐
1998 年開始，FDA 放射健康部門已開始監管電腦輔助辨識系統，在大多數情況下，這些軟體利用複雜的演算法找出醫學影像的病竈區。最初，這認定為三級裝置──這意味著最高風險等級和最大監管力度，後來，FDA 又評定為二級，即認定風險等級適中。這些軟體出售給臨床影像醫生使用，指導醫生看片，但醫生無法完全依靠這些軟體。在理論上，這些軟體風險為零，但 FDA 懷疑影像醫生將完全依靠系統檢查，對風險警告置若罔聞。
2012 年，FDA 發表一連串指導檔案，涵蓋了與這類軟體有關的所有規定。在這些檔案中，FDA 重申之前法規明確說明的內容：按軟體的臨床應用分類將有效提升監管水準。FDA 區分 CADe 和 CADx，前者僅標出病竈，後者會進一步給予疾病診斷和分類。很明顯，CADx 的風險等級更高，因為需要更嚴格監管，通常認定為三級。
但 FDA 對 CADx 的態度也在與時俱進。就在 2017 年 7 月，FDA 決定將辨識癌症病變的 CADx 降為二級，FDA 的此舉強調「電腦輔助醫療影像可疑癌症病變辨識」，這種軟體基於從醫療影像擷取的資訊或特徵，辨識病變，並且提供病變資訊。將其評定為二級軟體是一個「大跨步」，促進了這種軟體的發展。因為三類產品的製造商必須提交一大疊上市前批准申請，並進行大範圍的臨床試驗；而二級產品製造商僅需要闡明產品基本上與市面已有的產品相同（可能也需要臨床試驗，但無論臨床設計或實驗範圍，都更適中）。
對集成機器學習算法的影像分析軟體，FDA 已有一套相對成熟的臨床試驗監管辦法。研究人員可建立一套醫學影像資料集，其中包含已確診的正常人和患者影像，申請者可設計臨床試驗對比，有無軟體幫助的情況下每組最終的診斷效果。當然，還有其他可能的臨床設計，這取決於申請者需要證明的假設是什麼。
除此之外，FDA 有一套相對明確的審查指標來審查集成機器學習演算法的軟體。在 2012 年的指導性檔案中，FDA 列出這些指標，比如演算法設計、特徵、模型、用於訓練和測試演算法的資料集，以及使用的測試資料「衛生程度」。後者非常重要，因為有些申請者沒有基於測試集選擇分類 ，顯然這不被允許。FDA 想知道公司如何抓取資料，以保證反應真實情況。
FDA 判斷公司試驗用的統計方案和研究假設是否合適有豐富的經驗，以他們的經驗來看，許多申請者的研究包含多個假設，這可能影響後續資料分析、統計方案等，總而言之，FDA 最重要的目標之一是確保產品設計和臨床驗證能反映預期用途。
FDA 已收到一些申請，其中明確聲明系統有機器學習算法──FDA 稱為「適應性系統」，隨著之後進入市場，使用過程蒐集更多新證據，這樣的系統會不斷進化。事實上，開發一套適應性系統是大多數開發者的終極目標，但這給 FDA 造成一定的挑戰，因為現有的法規是：醫療裝置一旦有改動，必須重新取得批准。如果這個裝置自行進化，到哪個時間點需要重新批准呢？同樣，FDA 必須決定什麼程度的改變需要重新驗證。至少在某些情況下，簡單的確定軟體參數以控制軟體遠遠不夠。
除此之外，還有許多其他懸而未決的問題，比如軟體開發商是否能重新使用測試資料集；訓練或測試的資料量如何確定。FDA 很可能要求開發在數據集匯總加入聲音雜訊，以確保驗證軟體的變化。
這些大都是醫療影像軟體領域的事，FDA 也開始插手其他機器學習技術在其他醫療軟體領域應用，他們已收到大量其他領域的批准申請，比如分析實驗結果；關鍵生命體徵的遠端監控及腦波圖等訊號領域。FDA 裝置中心其他部門也面臨機器學習相關問題，很有可能諮詢放射健康部門的同事。
基於 FDA 的經驗，可以推斷出至少 4 點：
- 公司不得不長期布局，並且著重考慮系統的預期臨床用途。除為醫生解釋具體疾病，提供要點參照和特定的低風險特徵外，任何其他事都可能提升監管力度。
- 分類會是個大問題。FDA 可能會考慮到機器學習的特定用途，將其視為一項全新技術，因此規定全新的分類規則。如果是這樣，將此類產品帶入市場的第一家公司或以三類裝置的標準申請批准，或透過將產品風險重新分類以尋求產品分類標準降級。但這並非意味著前途黯淡和厄運連連，我們知道，FDA 會靈活應對。許多例子中，FDA 允許現有的產品集成機器學習技術，並以二類裝置的標準批准。
- 如果產品無法構建一個令人信服的驗證標準，那麼研究設計可能會很複雜。在放射科大多數案例中，透過活檢和其他診斷過程，我們能建立一個客觀性的標準。其他領域的智慧化需要更有創造性的臨床試驗設計。
- 應用機器學習技術到放射科過程中，FDA 已意識到所有技術性問題將轉化成其他形式的機器學習問題。FDA 官員很可能求助於放射健康部門的官員諮詢機器學習問題，這尤其適用與自動適應系統有關的其他更具挑戰的監管問題。
好消息是，FDA 似乎很關注機器學習的價值及這項技術如何變革醫療界，所以大多數情況下，他們可能對該技術的缺陷抱持理解，並不想不合時宜地一律阻止。此外，近期 FDA 釋出軟體監管的一系列改善性措施，這可能對正在開發的機器學習產品有益。例如，FDA 似乎有意讓產品上市前批准更容易些，與此同時， 對上市後製造商搜集大範圍應用的證據要求提高。無論如何，FDA 對臨床和嚴謹性的擔心必須要用恰當的證據來應用。
結論
FDA 一直在研究機器學習技術，了解越來越多，但從實做層面來講，FDA 很難招募並留住機器學習專家，因為他們在一般公司賺得更多。
FDA 的醫學影像、診斷等部門已在研究電腦輔助診斷技術了，有一天，可能會公布一些模擬、分析工具和有價值的資料，這將加速醫療軟體的發展。同時，透過研究機器學習先驅者二十多年的路，後來者或許能找到推廣新技術的最佳方法。
（本文由 雷鋒網 授權轉載；作者 Bradley Merrill Thompson，隸屬於 Epstein Becker & Green, P.C. 公司，負責醫療器械、藥品等的臨床試驗審批、FDA 法規諮詢等事項；首圖來源：Flickr/The U.S. Food and Drug Administration CC BY 2.0）