摘要：8月27日，科技部官网发布国家科技伦理委员会医学伦理分委员会研究编制的《人工智能医学影像研究伦理指引》。文件覆盖基础算法研究、技术研发、临床验证和成果转化，把医学影像AI研发中长期存在的几个工程问题放到一套完整伦理治理框架里：数据从哪里来、合成数据如何使用、模型能否跨设备和跨医院稳定运行、算法黑箱如何解释、上线以后性能漂移怎么监控。对于医疗AI企业来说，这份指引带来的影响很实际——一个模型在内部测试集上做到很高的AUC，距离临床可用还隔着数据治理、跨中心验证、持续监测和责任追溯几道门槛。
8月27日，科技部官网发布国家科技伦理委员会医学伦理分委员会研究编制的《人工智能医学影像研究伦理指引》。文件覆盖基础算法研究、技术研发、临床验证和成果转化，把医学影像AI研发中长期存在的几个工程问题放到一套完整伦理治理框架里：数据从哪里来、合成数据如何使用、模型能否跨设备和跨医院稳定运行、算法黑箱如何解释、上线以后性能漂移怎么监控。对于医疗AI企业来说，这份指引带来的影响很实际——一个模型在内部测试集上做到很高的AUC，距离临床可用还隔着数据治理、跨中心验证、持续监测和责任追溯几道门槛。
过去几年，医学影像一直是人工智能最成熟的医疗应用方向之一。CT肺结节、眼底筛查、乳腺影像、病理切片、超声辅助诊断等场景中，算法性能不断提升，但临床应用面临的问题也越来越清楚：在一家医院表现很好的模型，换一台扫描设备、换一个地区、换一批人群以后，性能可能出现明显下降；训练集里某类患者比例过高，也可能导致模型在其他群体上的表现失真。
新发布的《指引》把这些问题系统拆开。文件明确提出六项基本原则，包括增进人类福祉、促进公平公正、尊重人的主体性、保护隐私和数据安全、确保安全可控以及强化透明可信。其中尤其值得产业界注意的一点，是人工智能在医疗决策中的定位依然是辅助工具，最终诊断和治疗方案应由医生结合专业知识和患者具体情况制定，同时患者应当了解AI在诊疗流程中的作用、潜在风险和局限。
这会直接影响医疗AI产品的设计方式。过去不少系统把重点放在“模型输出一个结论”，接下来产品侧需要更多考虑证据链、置信度、模型适用范围、异常提示以及医生如何复核。医学影像AI会越来越像一套可审计的临床决策支持系统，而不是单独部署在后台的算法接口。
《指引》对数据提出的要求很细，覆盖采集、传输、存储、分析、共享直到销毁的全生命周期，并要求建立权限管理、访问控制、加密存储、备份恢复、监测和审计机制。数据的使用过程需要可追溯、可验证。
这对行业有一个直接影响：医疗AI公司的数据工程团队会变得越来越重要。一个医学影像数据集以后很难只用“10万张CT”“50万张病理图片”来描述。真正决定数据价值的，会是数据来自哪些医院、使用什么设备采集、患者人群分布如何、标注由谁完成、标注一致性怎样、数据是否存在选择偏差，以及训练集、验证集和测试集之间是否存在数据泄漏。
《指引》明确要求确保数据标注的专业性和准确性，同时考虑数据来源分布、潜在偏倚、数据结构以及标注本身的科学性。对于医疗数据供应商、数据标注公司和医疗AI企业来说，这意味着“高质量数据集”会越来越接近一种可审计的数据产品，而不只是一个图像文件目录。
这次文件有一个很值得关注的技术细节：专门讨论了合成数据。随着生成式AI进入医学影像领域，用生成模型补充罕见病样本、增强小样本数据集已经很常见。理论上，一家医院只有几百例某类疾病影像，通过生成模型扩充到几千甚至上万例，可以显著降低数据获取成本。
问题也很明显。生成模型可能把原始数据里的偏差一起放大，还可能产生医学上并不存在的结构或特征。《指引》因此明确提出，使用合成数据训练模型或进行数据增强时，需要说明其合成属性，并披露生成过程、适用条件和潜在风险；不得把合成数据混同真实患者数据，也不能利用合成数据夸大模型性能或规避伦理审查。
这一条很可能催生新的技术需求。未来医学合成数据平台不能只提供“生成图片”能力，还需要提供数据来源记录、生成模型版本、参数、质量评估、偏差检测以及数据血缘追踪。医疗数据领域可能逐步出现类似软件供应链SBOM的“数据来源清单”和“模型数据履历”。
《指引》中技术含量最高的部分之一，是对算法可复现性和跨环境稳定性的要求。文件明确提出，应开展跨设备、跨医疗机构、跨人群的复现性验证，评估模型在不同临床环境中的性能稳定性和一致性；模型从实验室走向真实世界应用，还应开展内部验证、外部验证、前瞻性临床试验以及多中心真实世界研究。
这实际上触及医学AI目前最困难的问题之一——domain shift，也就是数据分布漂移。同样是胸部CT，不同厂商设备、不同扫描参数、不同医院影像协议都会产生数据差异。一个在A医院训练的模型，到B医院以后可能因为层厚、重建算法、噪声水平不同而性能下降。人口年龄、性别和疾病谱差异，也会造成模型偏移。
因此，未来医疗AI公司的核心竞争力可能越来越多地体现在“模型泛化工程”上，例如构建多中心训练体系、联邦学习系统、不同设备的数据标准化方法、跨域适配算法以及持续学习框架。这些能力过去经常被视为算法优化问题，《指引》已经把它们放入伦理和临床可信度的框架中。
医疗AI和很多普通软件最大的差别之一，在于上线并不等于研发结束。《指引》明确提出跟踪审查机制，重点关注模型上线后的性能漂移、预警情况，以及模型迭代以后出现的新问题。
这一点会推动医疗AI逐渐建立类似MLOps的运行体系。模型上线以后，需要持续统计灵敏度、特异性、假阳性率和假阴性率；医院设备升级以后，需要判断数据分布是否发生变化；模型版本更新以后，需要保留版本记录以及相应的验证结果。
医疗AI平台未来很可能形成一套完整的“模型运行档案”：训练数据版本、算法版本、验证报告、部署医院、设备类型、运行指标、异常记录、模型更新以及回滚记录全部可追踪。这会给模型监控、AI质量管理、医疗AI测试验证平台带来明显机会。
从产业角度看，《指引》没有要求企业去追求一个更大的医学基础模型，它更关注模型能否被安全地投入真实医疗体系。因此，下一阶段更值得关注的市场包括医学影像高质量数据集、数据脱敏与隐私计算、多中心模型验证、联邦学习、医学AI测试评估、模型可解释性工具以及模型上线后的持续监测。
这些环节过去常常被放在AI项目后半段，现在可能逐渐变成医疗AI产品进入医院之前必须补齐的基础能力。尤其值得关注的是多模态医疗模型。《指引》鼓励影像、病历、基因等多模态融合方向，同时强调可解释性、泛化能力和真实世界验证。模型越复杂，数据来源和责任链条也越复杂，对数据治理平台和模型治理平台的需求会同步增加。
跨医院验证、多设备测试、前瞻性临床研究和长期模型监控都会提高研发成本。这对大型医疗AI企业和医院联合实验室相对有利，因为它们拥有更多医疗机构资源和数据渠道；规模较小的创业公司如果只依赖单中心数据，未来进入临床场景可能越来越困难。
另外一个需要警惕的问题是“为了满足指标而满足指标”。医疗AI最终仍然要解决临床问题。跨中心测试、伦理审查和数据治理的目标，是提高系统可靠性，而不是形成一套复杂的文档流程。如果后续能够建立公共验证数据集、第三方测试平台以及标准化多中心验证体系，就有机会降低行业整体合规成本。
这份《指引》最值得产业界重视的地方，在于医学AI正在从算法竞赛走向系统工程。下一轮竞争里，模型精度仍然重要，但数据质量、临床泛化、运行稳定性和责任追溯会占据越来越大的权重。
科技部：《人工智能医学影像研究伦理指引》发布，2026-08-27
《人工智能医学影像研究伦理指引》全文PDF
科技日报相关专家解读
关注高促会新质生产力工委会公众号
关注工业智能算网平台
发布日期：2026年8月28日
发布机构：中国高技术产业发展促进会新质生产力工作委员会
本报告仅供行业研究参考，不构成投资建议