在美国开一家餐厅，最怕的不是厨艺，而是卫生检查员那一关。假如你发明的菜，城里原来就有一家认证餐厅做得几乎一模一样，你只需向检查员证明“我和他家的菜实质等同”，就能快速领到营业许可——这就是 510(k) 通道。可如果你的菜是前所未有的分子料理，全城找不到参照菜谱，检查员就得上门评估食材和工艺，再为这类菜创立一个全新的菜系规范——这就是 De Novo 通道。对做医学影像 AI 的团队来说，FDA 就是那位检查员，你的“AI 诊断产品”就是那道新菜。选择 510(k) 还是 De Novo，就像决定“快速复制一道已验证的菜”还是“为一道全新菜品开创新菜系”：前者快、省、门槛相对低，后者慢、重、但能开创先河并为后来者立下参照标杆。本文会用这顿饭局里的故事，带你厘清两条路径的适用条件、申报材料与审批周期，并用眼底筛查、肺结节检测、骨折检测等真实影像 AI 案例，帮你学会在项目启动时做出正确的“选路”决策。

岗位关联

对影像 AI 从业者而言，掌握 510(k) 与 De Novo 的选路逻辑，等于拿到美国市场入场券的罗盘：它让你在项目立项时就避开注册深坑，用最短路径把产品送到临床。

目录
  1. 可视化演示
  2. 路径全景概览
  3. 510(k) 适用条件
  4. De Novo 适用条件
  5. 申报材料准备
  6. 审批周期对比
  7. 影像AI选路案例
  8. 常见问题对策
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

对比510(k)与De Novo两条FDA认证路径的流程步骤、审批周期及决策树，帮助影像AI产品选择最优注册路径。

本节配有交互动效（进入视口后自动加载，约 3KB）。

路径对比：510(k)与De Novo流程步骤 510(k)需证明与谓词设备实质等同 De Novo适用于无谓词的低中风险新型器械 510(k) = predicate + SE 核心区别在于是否存在谓词设备

路径全景概览

在 FDA 这座“食品安全监督局”面前，影像 AI 产品好比两道都要进医院食堂的新菜。第一道菜与城里一家老字号餐馆的招牌菜几乎一样，主厨只需证明“我和他家的菜实质等同”，就可以用最短时间领到准入许可——这就是 510(k)。第二道菜是一道前所未有的分子料理，全城找不到同款，检查员必须亲自走进实验室评估食材与工艺，再为这道菜创立一个全新的菜系规范——这就是 De Novo。

FDA 将医疗器械按风险分为 I、II、III 三类，绝大多数医学影像 AI 产品落在 II 类（中低风险）。而上市通道也主要有三条：510(k)、De Novo 和 PMA。前两条通道决定产品能否“快速上市”，PMA 则是高风险产品的重型闸门。选路的第一性原理，其实只问两个问题：你的产品找不找得到参照器械？它的风险等级有多高？答案不同，命运截然不同。

510(k) 的法定依据是《联邦食品、药品和化妆品法》第 510(k) 条，要求申请人证明新产品与已合法上市的“参照器械”实质等同。De Novo 则源自 1997 年 FDA 现代化法案，为“无参照器械但风险不高”的创新产品开辟分类通道。两者互为补充，构成影像 AI 产品进入美国市场的主干道。把选路逻辑写成公式，就是下面这个双分支判断：

选路如同餐厅开业策略：能对标的菜走备案通道快速开张，没有对标的菜就沉下心开创新菜系——路径没有绝对优劣，只有是否匹配。

Path={510(k),存在合法参照器械且可证明实质等同De Novo,无参照器械且风险为中低级别\displaystyle \text{Path} =\begin{cases}510(k), & \text{存在合法参照器械且可证明实质等同}\\De\ Novo, & \text{无参照器械且风险为中低级别}\end{cases}
  1. 先找参照器械判断市场上是否存在与新产品“同类”的合法已上市器械，这是整条选路逻辑的出发点，也是 510(k) 的入场券。
    Predicate∈{存在, 不存在}\displaystyle \text{Predicate} \in \{ \text{存在},\ \text{不存在} \}
  2. 走 510(k) 的条件参照存在，且能通过测试证明实质等同，才能进入快速备案通道。
    SE=1⇒Path=510(k)\displaystyle \text{SE} = 1 \Rightarrow \text{Path} = 510(k)
  3. 走 De Novo 的条件参照不存在，同时产品风险不高于 II 类，才可走新分类开创通道。
    Predicate=∅, R≤Moderate⇒Path=De Novo\displaystyle \text{Predicate} = \varnothing,\ R \leq \text{Moderate} \Rightarrow \text{Path} = De\ Novo

510(k) 适用条件

想开一家“老字号同款”餐厅，主厨必须拿出三样东西：一张同款菜谱（合法的参照器械）、一句明确的话“我做的是同一道菜”（预期用途一致）、以及一套差不多的厨艺证明（技术特征基本相同）。三样缺一，检查员都会把你请出快速通道。

实质等同是 510(k) 的灵魂。参照器械并非随便找：它必须是 1976 年 5 月 28 日之前合法上市的器械，或经由 510(k)、De Novo、PMA 获批的器械，且仍在市场上合法销售。预期用途（indications for use）决定“菜是什么菜”——例如“辅助医生发现肺结节”与“自主给出筛查转诊建议”就是两道完全不同的菜，前者有大量参照可循，后者则可能找不到同款菜谱。

实质等同比对有两个维度：预期用途与技术特征。若技术特征不同，FDA 会进一步判断这种差异是否引入“新的安全有效性问题”——这正是深度学习 AI 与传统计算机辅助检测软件之间最难跨越的鸿沟。传统 510(k) 需要完整对比；若产品仅对自己此前已上市版本做小幅改动，可走“特殊 510(k)”。影像 AI 产品通常提交回顾性性能数据与软件验证材料作为等同性证据：

同款菜谱越权威、越贴合你的菜，备案就越顺利；反之，任何一环对不上，检查员都会把你请出快速通道，甚至直接给出“不实质等同”的结论。

SE=(IUnew=IUpred)∧(TCnew∼TCpred)\displaystyle \text{SE} = (IU_{\text{new}} = IU_{\text{pred}}) \wedge (TC_{\text{new}} \sim TC_{\text{pred}})
  1. 预期用途比较新器械与参照器械必须面向相同的临床场景、适应症与目标人群，这是“同一道菜”的判定标准。
    IUnew=IUpred\displaystyle IU_{\text{new}} = IU_{\text{pred}}
  2. 技术特征比较材料、原理、算法架构等需基本相同，或差异不引入新的安全性问题，这是“厨艺相当”的判定标准。
    TCnew≈TCpred\displaystyle TC_{\text{new}} \approx TC_{\text{pred}}
  3. 合取判定两个条件必须同时成立，才能得出“实质等同”结论，任何一环缺失都意味着不等同。
    SE=(IU=)∧(TC∼)\displaystyle \text{SE} = (IU_{=}) \wedge (TC_{\sim})

De Novo 适用条件

分子料理主厨没有同款菜谱可抄，只能请检查员进店实测：食材是否安全、工艺是否可控、食客吃了会不会出问题。确认安全后，检查员会为“分子料理”这个新菜系立下正式规范，写进城市菜谱手册——以后任何人想做同类新菜，都可以引用这个新菜系作为参照。

De Novo 之所以存在，是因为 FDA 的分类体系无法预知所有创新。一款影像 AI 若找不到参照器械，理论上只能按 III 类走沉重的 PMA 通道，但它的实际风险并不高。于是法规单开一扇门：申请人可请求 De Novo 分类，把产品归入 I 类或 II 类，并创建全新的产品分类与代码。2018 年首台自主式眼底筛查 AI（IDx-DR）正是靠这扇门进入美国市场的。

走 De Novo 有三个硬条件：第一，确实无合法参照器械；第二，风险等级不高于 II 类；第三，技术上足够“新”。获批后，产品自动归入 I 类或 II 类，II 类通常绑定特殊管控（标签、性能标准、指南等）。更重要的是，这个新分类会成为后来者的“参照菜谱”——后续同类产品可以引用它走 510(k)，这正是 IDx-DR 之后眼底 AI 产品大量申报的底层逻辑。分类创建的规则可写成：

开创者走得辛苦，但新菜系的诞生让整个品类都有了可循的规矩。选择 De Novo，既是挑战，也是为行业立标杆的机会。

Classnew={Class I,风险极低，无需特殊管控Class II,中低风险，需附加特殊管控\displaystyle \text{Class}_{\text{new}} =\begin{cases}\text{Class I}, & \text{风险极低，无需特殊管控}\\\text{Class II}, & \text{中低风险，需附加特殊管控}\end{cases}
  1. 风险定级FDA 依据器械用途、接触方式等因素评定风险，De Novo 仅适用于 I 类或 II 类，高风险产品不得入内。
    R∈{Class I, Class II}\displaystyle R \in \{ \text{Class I},\ \text{Class II} \}
  2. 分类创建De Novo 获批后自动生成新的产品分类与产品代码，标志着新菜系正式写入“菜谱手册”。
    Classnew:=新分类(product code)\displaystyle \text{Class}_{\text{new}} := \text{新分类}(\text{product code})
  3. 特殊管控绑定II 类分类通常附带标签规范、性能标准与指南等特殊管控要求，相当于新菜系的“行业标准”。
    Controls={labeling, standards, guidance}\displaystyle \text{Controls} = \{ \text{labeling},\ \text{standards},\ \text{guidance} \}

申报材料准备

无论走哪条通道，递交到 FDA 的都是一份“菜品档案袋”：配方卡是技术文档，试吃记录是性能验证，食客反馈是临床证据。档案越完整，检查员越少皱眉，审评时钟越少被按下暂停键。

510(k) 与 De Novo 的材料框架相似，但侧重点截然不同。510(k) 以“等同性证明”为中心——把你的产品和参照器械摆在一起逐项对比，说明“为什么我和他一样安全”；De Novo 以“安全有效性论证”为中心——用完整证据证明“这款新品值得一个新分类”。走错通道而套错材料框架，是影像 AI 团队最常见的返工原因。

影像 AI 的申报材料通常包含五件套：软件描述文档（算法架构、训练与验证数据集说明）、性能测试报告（灵敏度/特异度、鲁棒性、对抗性测试）、临床证据（回顾性或前瞻性研究）、标签说明书（适应症表述必须与证据严格一致）、网络安全与数据隐私文档。FDA 对 AI 产品尤其关注三点：数据集是否代表真实目标人群、算法是否“锁定”、变更控制计划是否清晰。材料整体质量可以抽象成加权评分：

档案袋里的每一页，都在回答检查员的同一个问题：“我凭什么相信你这道菜安全又有效？”材料不是堆得越多越好，而是越贴合路径要求越好。

Qpackage=wtech⋅Etech+wperf⋅Eperf+wclin⋅Eclin\displaystyle Q_{\text{package}} = w_{\text{tech}} \cdot E_{\text{tech}} + w_{\text{perf}} \cdot E_{\text{perf}} + w_{\text{clin}} \cdot E_{\text{clin}}
  1. 技术文档证据完整描述器械设计、原理与预期用途，是审查员理解产品的基础，也是档案袋的“地基”。
    Etech=f(design, intended use)\displaystyle E_{\text{tech}} = f(\text{design},\ \text{intended use})
  2. 性能验证证据台架测试、仿真测试与软件测试报告证明产品达到宣称指标，相当于记录在案的“试吃记录”。
    Eperf=g(test reports)\displaystyle E_{\text{perf}} = g(\text{test reports})
  3. 临床证据权重根据所选路径，收集回顾性或前瞻性临床数据，权重系数由路径对安全有效性证据的要求决定。
    Eclin=h(clinical study)\displaystyle E_{\text{clin}} = h(\text{clinical study})

审批周期对比

上菜速度取决于三个环节：后厨备菜（准备材料）、检查员试菜（审评）、以及被打回重做（补正）。通道决定基准速度，但补正会随时按下暂停键——这是很多团队对周期产生误判的根源。

根据 MDUFA（医疗器械使用费法案），510(k) 的审评目标为 90 天，De Novo 为 150 天。但请注意，目标时钟从“受理”开始计时，而非提交日。材料不齐会先收到“拒绝受理”（RTA）通知，审评中若 FDA 认为证据不足，会发出“补充通知”（deficiency letter），此时审评时钟暂停，直到企业补齐材料。一封补正信动辄消耗数月，累计起来往往比通道本身的差异更影响总周期。

加速手段是存在的：提交前做 Pre-Submission 预沟通（俗称 Q-sub），提前对齐预期；510(k) 可委托第三方审查机构；De Novo 则建议在提交前与 FDA 逐条对齐分类论证。2024 财年 510(k) 标准用户费约 2.4 万美元，小企业可减免。把总周期写成公式，补正的权重立刻一目了然：

想快，不能只挑快的通道，更要让后厨和检查员“同频”：材料一次做齐、问题提前对齐，才是压缩周期的最优解。

Ttotal=Tprepare+Treview+∑k=1nTdeficiency,k\displaystyle T_{\text{total}} = T_{\text{prepare}} + T_{\text{review}} + \sum_{k=1}^{n} T_{\text{deficiency},k}
  1. 准备时长材料完整度决定受理检查能否一次通过，准备越充分，RTA 风险越低。
    Tprepare∝1完整度\displaystyle T_{\text{prepare}} \propto \frac{1}{\text{完整度}}
  2. 审评时长FDA 的目标审评时间，510(k) 约 90 天，De Novo 约 150 天，这是通道的“基准上菜速度”。
    Treview={90,510(k)150,De Novo\displaystyle T_{\text{review}} = \begin{cases} 90, & 510(k) \\ 150, & De\ Novo \end{cases}
  3. 补正累计每一次补充通知都会暂停审评时钟，回复与再审时间累加起来，往往成为总周期的大头。
    Tdeficiency,k=t回复+t再审\displaystyle T_{\text{deficiency},k} = t_{\text{回复}} + t_{\text{再审}}

影像AI选路案例

三道真实的新菜，三位不同的主厨，三种不同的活法。把案例拆开看，你会发现 FDA 的双通道并非抽象概念，而是由一个个产品的选择与复盘铺成的路。

案例一：眼底筛查 AI 开创分类先河。 2018 年 4 月，IDx-DR 成为首个获得 FDA 授权的“自主式”糖尿病视网膜病变筛查 AI——它不需要医生辅助判读，直接给出转诊建议。这是一道没有参照菜谱的分子料理，只能走 De Novo。IDx-DR 提交了 900 例多中心临床研究数据，灵敏度 87.4%、特异度 89.5%，最终获批并创建了 II 类新分类（产品代码 QDK）。它成了后续所有眼底 AI 产品的“参照菜谱”。

案例二：肺结节检测 AI 的等同之路。 肺结节 CAD 领域已有大量合法参照器械（传统计算机辅助检测软件），许多深度学习肺结节 AI 因此走 510(k)。但深度学习与传统算法在技术特征上差异显著，FDA 常要求补充独立测试集、算法说明与临床性能对比，证明新算法没有引入新的安全问题。找到参照只是起点，证明“等同”才是真正的考验。

案例三：骨折检测 AI 寻找参照。 2023 年 Gleamer 的 BoneView 获得 FDA 510(k) 授权，成为全身骨折检测领域的标志性案例——它引用既有的放射影像 CAD 软件作为参照，用“预期用途一致 + 技术特征可控”的证据打开了 510(k) 大门。

三个案例共同指向一套四步选路清单：第一步找参照，检索 FDA 数据库确认同类产品是否已有合法上市者；第二步判等同，对照预期用途与技术特征评估实质等同可能性；第三步定风险，确认产品风险分类不高于 II 类；第四步评证据，盘点现有测试与临床数据能否支撑所选路径。临床性能数据是决定成败的关键证据，其核心指标如下：

三道菜三种命运，但规律一致：参照决定通道，证据决定成败。选路之前先做四步复盘，比拿到拒信后再补救划算得多。

Se=TPTP+FN=0.874,Sp=TNTN+FP=0.895\displaystyle Se = \frac{TP}{TP+FN} = 0.874,\qquad Sp = \frac{TN}{TN+FP} = 0.895
  1. 灵敏度计算患病眼中被正确识别为阳性的比例，衡量“漏诊”程度，De Novo 申请中它是安全有效性的核心证据。
    Se=TPTP+FN\displaystyle Se = \frac{TP}{TP + FN}
  2. 特异度计算健康眼中被正确识别为阴性的比例，衡量“误诊”程度，与灵敏度共同刻画筛查产品的真实表现。
    Sp=TNTN+FP\displaystyle Sp = \frac{TN}{TN + FP}
  3. 申报引用两项指标连同验证集描述、数据集代表性论证，构成影像 AI 产品的核心临床证据包。
    Evidence=(Se, Sp, 数据集描述)\displaystyle \text{Evidence} = (Se,\ Sp,\ \text{数据集描述})

常见问题对策

检查员皱眉不代表拒绝，而是给你递了一份“改进菜单”。FDA 审评中的每一条质疑，都有对应的应对策略——关键是读懂皱眉背后的顾虑。

分类分歧是最棘手的场景。FDA 可能认为你的产品其实属于 III 类，或认为你找的参照器械并不成立。此时硬辩无益，正确做法是提交书面风险分析与同类产品证据，必要时请求重新分类；若争议无法调和，还可以在收到“不实质等同”（NSE）决定后 30 天内请求 De Novo 分类——这是法规专门设计的过渡桥。

证据不足则是最常见的补正原因。收到 deficiency letter 后，应逐条拆解 FDA 的问题，针对性补做性能测试、扩充验证集或引入真实世界数据，而不是无差别地堆砌材料。沟通策略则是防患于未然的关键：Pre-Submission 预申报就像赛前试菜，花小钱省大钱，提前让 FDA 看到你的分类论证和证据计划，远比正式提交后被退回再补高效。这些对策背后的逻辑同样可以量化：

把每一次皱眉当作试菜反馈，你的产品才能在 FDA 的厨房里站稳脚跟。沟通、补证、过渡，三步走下来，看似棘手的困境往往能转化成新的机会。

NSE⇒De Novo Request,Tdeficiency∝1Npre-sub\displaystyle \text{NSE} \Rightarrow \text{De Novo Request},\qquad T_{\text{deficiency}} \propto \frac{1}{N_{\text{pre-sub}}}
  1. 不实质等同后的过渡510(k) 收到 NSE 决定后，可在 30 天内请求 De Novo 分类，将“堵死的备案路”切换为“开创新分类”。
    510(k)→NSE⇒De Novo Request\displaystyle 510(k) \to \text{NSE} \Rightarrow De\ Novo\ Request
  2. 预申报的杠杆效应前置沟通次数越多，正式审评中的补正次数越少，这是被大量案例验证的经验规律。
    Tdeficiency∝1Npre-sub\displaystyle T_{\text{deficiency}} \propto \frac{1}{N_{\text{pre-sub}}}
  3. 证据补强对分类分歧与安全性质疑，用风险分析数据与同类产品证据组合回应，形成有说服力的书面答复。
    Response=风险数据+同类证据\displaystyle \text{Response} = \text{风险数据} + \text{同类证据}

AI 应用场景

影像 AI 创业公司的注册路径初筛

阶段：临床验证与法规准入

解决的问题：初创团队常常在产品开发完成后才发现走错了注册通道，被迫推倒重来。传统做法是等产品做完了再找律所咨询，既贵又慢。运用本文的“找参照→判等同→定风险→评证据”四步法，团队可以在立项阶段就完成路径初筛，把法规风险前置到设计阶段。

具体案例：某眼底筛查团队在立项时检索 FDA 数据库，发现自主式筛查领域仅有 IDx-DR 一个 De Novo 分类作为参照，自己的产品在预期用途上与其高度重合但又非完全等同。团队于是果断规划 De Novo 路径，按 FDA 预期设计多中心回顾性研究（900 例，灵敏度 87.4%、特异度 89.5%），最终参照 IDx-DR 的路径获批并创建了自己品类的分类地位。

临床团队基于路径设计证据方案

阶段：数据与模型验证

解决的问题：很多团队把全部精力放在提升模型 AUC 上，却忽视了“证据必须与路径匹配”。510(k) 侧重等同性证据，De Novo 侧重安全有效性的实质证据——证据错配，要么浪费成本做不必要的临床试验，要么证据不足被 FDA 打回。

具体案例：某肺结节检测团队找到了一款既有 CAD 软件作为参照器械，于是把资源集中在独立测试集构建、算法“锁定”说明与回顾性数据对比上，用相对轻量的证据包通过 510(k) 获批，避免了为 De Novo 设计前瞻性试验带来的数百万美元成本和时间消耗。

大厂多产品线的注册组合策略

阶段：产品组合与市场规划

解决的问题：成熟企业往往同时持有多个影像 AI 产品，若每个产品都独立决策注册路径，会重复支付用户费、重复做临床验证。传统做法是逐产品申报，周期长且成本高；更优做法是从组合视角统一规划。

具体案例：某公司把“已有明确参照的成熟产品”排入 510(k) 快速通道，把“全新适应症且无参照的创新产品”放入 De Novo 重点投入分类论证，两者共用一套质量管理体系与临床数据平台，摊薄了注册成本，还让 De Novo 创建的新分类成为公司后续产品的“自家参照”。

Python 演示

python54 行
# -*- coding: utf-8 -*-"""FDA 注册路径推荐器：根据产品特征推荐 510(k) 或 De Novo 路径"""  class FdaPathAdvisor:    def __init__(self):        self.has_predicate = False        self.same_intended_use = False        self.tech_similarity = 0.0        self.risk_class = "moderate"     def load_device(self, has_predicate, same_intended_use, tech_similarity, risk_class):        self.has_predicate = has_predicate        self.same_intended_use = same_intended_use        self.tech_similarity = tech_similarity        self.risk_class = risk_class     def check_equivalence(self):        return (self.has_predicate                and self.same_intended_use                and self.tech_similarity >= 0.8)     def recommend(self):        if self.check_equivalence():            return "510(k) 路径：可基于参照器械申请实质等同"        if self.risk_class in ("low", "moderate"):            return "De Novo 路径：无参照或不等同，申请创建新分类"        return "PMA 路径：高风险器械需提交上市前审批"  def estimate_review_days(path):    if path.startswith("510"):        return 90    if path.startswith("De Novo"):        return 150    return 180  def main():    advisor = FdaPathAdvisor()    cases = [        ("眼底筛查AI", False, False, 0.0, "moderate"),        ("肺结节检测AI", True, True, 0.87, "moderate"),        ("新型植入式传感器", False, False, 0.0, "high"),    ]    for name, hp, iu, ts, risk in cases:        advisor.load_device(hp, iu, ts, risk)        path = advisor.recommend()        print("%s -> %s (预计审评约 %d 天)"              % (name, path, estimate_review_days(path)))  if __name__ == "__main__":    main()
目的：这是一个迷你版“FDA 路径推荐器”，用三个产品的特征数据演示如何自动判断走 510(k)、De Novo 还是 PMA，并估算审评天数。
  1. class FdaPathAdvisor:定义一个注册路径评估器，把法规决策封装成可复用对象。
  2. def load_device(self, has_predicate, same_intended_use, tech_similarity, risk_class):录入产品的四个关键特征：有无参照、用途是否一致、技术相似度、风险等级。
  3. def check_equivalence(self):实质等同判定方法，把“找参照 + 用途一致 + 相似度达标”三重条件封装成布尔判断。
  4. if self.risk_class in ("low", "moderate"):风险不高于中低级别的产品才有资格走 De Novo，高风险直接转向 PMA。
  5. ("眼底筛查AI", False, False, 0.0, "moderate"),模拟眼底筛查 AI：无参照、用途不同、相似度 0，输出应为 De Novo。
  6. path.startswith("510")根据推荐结果的路径名估算目标审评天数，510(k) 返回 90 天。
  7. if __name__ == "__main__":程序入口，运行后逐条输出三个产品的推荐路径与预计周期。

常见误区

误区觉得 510(k) 是“走后门”，材料随便交也能在 90 天内拿证，所以无脑选 510(k) 就对了。

正解90 天只是 FDA 的审评目标时钟，并且从“受理”开始计时。材料不齐会先被拒绝受理（RTA）打回，审查中一封补充通知（deficiency letter）就暂停时钟。实战中 510(k) 从准备到获批经常超过一年，而 De Novo 虽然名义审评更长，但对真正创新的产品来说，路径确定性反而更强。通道只是基准速度，材料和沟通才是真正的变量。

为何常见：人们容易把官方“目标天数”当成总时长，忽略了准备时间和补正时间，而这往往才是周期的重头。

误区只要能找到一个已上市的类似产品，就觉得万事大吉，剩下只是走流程。

正解仅“存在参照”远远不够，FDA 还要验证实质等同：预期用途要一致，技术特征要基本相同。如果参照是传统规则算法、你的产品是深度学习，这种技术差异可能引入“新的安全有效性问题”，FDA 可判定“不实质等同”（NSE），此时应转向 De Novo。有参照只是入场券，证明等同才是真正的考试。

为何常见：把“看起来像”等同于“实质上等同”，忽略了预期用途与技术特征的双重检验。

误区觉得新产品嘛，风险肯定高，所以高风险才需要 De Novo；低风险直接走 510(k) 就行。

正解恰恰相反，De Novo 的前提是“无参照器械且风险不高于 II 类”（即低中风险）。高风险且无参照的产品应走 PMA。De Novo 解决的正是“产品够新但风险不高”这个中间地带，把它当成高风险通道是方向性错误。

为何常见：对 FDA 的风险分类框架不熟悉，把“新”和“高风险”混为一谈，忽略了 I/II/III 类的具体界限。

误区觉得拿到 De Novo 就创建了分类，自己可以高枕无忧，不再关注后续监管要求。

正解De Novo 获批后产品自动归入 I 类或 II 类，但 II 类通常附带特殊管控（标签、性能标准、指南），上市后仍需遵守质量管理体系（QMS）与上市后监管要求。更关键的是，你创建的新分类很快会被后来者引用为参照，等于为行业立了标杆，后续还可能有“被对比”“被超越”的竞争压力。

为何常见：把“注册获批”与“监管结束”画等号，忽略了医疗器械全生命周期的监管属性。

误区觉得 FDA 审评就是看数据量，模型跑过的测试集越大、数据越壮观，获批概率越高。

正解证据必须与路径匹配。510(k) 重“等同性证据”（台架性能 + 回顾性对比），De Novo 重“安全有效性的实质证据”（可能要求前瞻性临床研究）。堆砌与适应症无关的数据反而拖慢审评，因为 FDA 关注的是数据与宣称适应症的相关性、数据集代表性以及算法透明度，而非单纯的样本量。

为何常见：用做科研的习惯做注册，把“论文审稿逻辑”套用到“法规审评逻辑”上，忽视了 FDA 以证据相关性为核心的审查方式。

面试题

Q1. 510(k) 申请的核心审查标准是什么？

单选题 · easy

  • A.实质等同的上市前审查原则← 正确答案
  • B.完全创新的技术领先性原则
  • C.临床疗效最优的评选性原则
  • D.生产成本最低的经济性原则

答案：A。510(k) 的全称是“上市前通知”，FDA 审查的焦点是新产品是否与已合法上市的参照器械“实质等同”，而不是要求绝对创新、临床最优或经济性。这就像检查员只关心你的菜是否与认证老店的菜“实质等同”，不关心你的菜多便宜多新奇。

Q2. 以下哪种产品最适合走 De Novo 路径？

单选题 · easy

  • A.有参照器械但技术差异很大
  • B.无参照器械且风险为中低级别← 正确答案
  • C.有参照器械且风险为高级别
  • D.无参照器械且风险为高级别

答案：B。De Novo 的两大前提是无合法参照器械、风险不高于 II 类。有参照的应尝试 510(k)，无参照但高风险的产品应走 PMA。就像分子料理没有参照菜谱且食材安全，才值得为它开创新菜系。

Q3. 实质等同判定需要同时满足哪两个条件？

单选题 · mid

  • A.预期用途相同且技术特征基本相同← 正确答案
  • B.产品名称相同且价格水平基本相同
  • C.器械材质相同且外观尺寸完全相同
  • D.生产厂家相同且销售渠道完全相同

答案：A。实质等同由预期用途与技术特征两个维度共同决定。名称、价格、材质外观、厂家渠道都不是 FDA 的审查依据。就像“同款菜备案”只关心“是不是同一道菜”和“厨艺是否相当”，不关心店名叫什么。

Q4. FDA 对 510(k) 审评的目标周期通常是多少天？

单选题 · mid

  • A.审评目标周期约三十天
  • B.审评目标周期约九十天← 正确答案
  • C.审评目标周期一百八十天
  • D.审评目标周期约三百多天

答案：B。根据 MDUFA，510(k) 的审评目标为 90 天，De Novo 为 150 天。但要特别注意，时钟从受理开始计时，补正会暂停。90 天只是“检查员试菜”的时间，不含“备菜”和“重做”的时间。

Q5. 哪些情况会导致 510(k) 不适合作为首选路径？

多选题 · mid

  • A.找不到合法已上市的参照器械← 正确答案
  • B.技术特征存在根本性的巨大差异← 正确答案
  • C.预期用途与参照器械完全不同← 正确答案
  • D.产品已经顺利获得欧盟 CE 认证

答案：ABC。无参照、技术根本差异、预期用途不同都会导致无法证明实质等同，此时应考虑 De Novo。CE 认证是欧盟体系，与 FDA 审查无关，不影响路径选择。就像没有同款菜谱、菜系完全不同、用途场景不一致的菜，都无法走“同款备案”。

Q6. De Novo 申请成功后，以下哪些结果会发生？

多选题 · mid

  • A.产品直接归入低风险的 I 类或 II 类← 正确答案
  • B.创建全新的器械分类与产品代码← 正确答案
  • C.自动归入高风险需走 PMA 的类别
  • D.后续同类可引用它作参照来申报← 正确答案

答案：ABD。De Novo 获批后产品自动进入 I 类或 II 类，并创建新分类和产品代码，之后同类产品可引用这一分类走 510(k)。它不会把产品归入高风险 III 类——那是 PMA 的管辖范围。开创新菜系的人不会把自己归入高危食材档。

Q7. 510(k) 被判定“不实质等同”（NSE）后，企业可以怎么做？

单选题 · hard

  • A.直接上市销售该器械产品
  • B.提出 De Novo 分类请求进行过渡← 正确答案
  • C.永久放弃美国市场准入机会
  • D.自行宣布产品与参照器械等同

答案：B。法规为 NSE 设计了一座“过渡桥”：企业可在收到决定后 30 天内请求 De Novo 分类。直接上市是违法行为，自行宣布等同毫无效力，放弃市场则过于极端。就像备案被拒后，还可以申请为这道新菜开创专属菜系。

Q8. 关于实质等同判定中的“技术特征”，以下说法正确的有哪些？

多选题 · hard

  • A.包含器械的工作原理与结构设计← 正确答案
  • B.与预期用途共同决定等同与否← 正确答案
  • C.算法架构不同一定导致不等同
  • D.差异需评估是否引发新安全问题← 正确答案

答案：ABD。技术特征包括原理、结构、算法等，与预期用途并列为实质等同的双维度。算法不同不“必然”导致不等同，但差异需要评估是否引入新的安全有效性问题。深度学习相对传统算法风险点正在于此——必须证明差异安全可控。

Q9. 影像 AI 产品做预申报（Q-sub）的主要价值是什么？

单选题 · mid

  • A.提前获取 FDA 书面反馈以降低风险← 正确答案
  • B.可以绕过全部临床验证的硬性要求
  • C.保证产品一定能够顺利获得最终批准
  • D.预申报可直接替代正式的注册申请

答案：A。Q-sub 的核心价值是提前获得 FDA 书面反馈，对齐分类论证与证据计划，从而减少正式审评中的补正次数。它不能绕过临床验证、不保证获批，更不能替代正式申请。就像赛前试菜只能帮主厨提前知道检查员口味，不能代替正式营业检查。

Q10. 深度学习影像 AI 走 510(k) 时，相对于传统算法参照器械，通常需要额外提交什么？

单选题 · hard

  • A.仅需额外提交产品的宣传文案
  • B.需提交软件验证与临床性能数据← 正确答案
  • C.只需第三方无关机构的测试报告
  • D.需提供竞争产品的全部源代码

答案：B。当新算法（深度学习）与参照器械（传统规则算法）存在技术差异时，FDA 要求补充软件验证、独立测试集与临床性能数据，以证明差异未引入新的安全问题。宣传文案无关紧要，第三方测试必须相关，源代码属于商业机密且并非必需。