医疗AI的“户口本”：读懂NMPA人工智能医疗器械分类指南

可视化演示

展示NMPA人工智能医疗器械分类界定决策树与三类注册申报路径对比，帮助理解合规分类逻辑。

文件出台背景

在户口制度建立之前，医疗AI都是“黑户”。2018年前后，中国有上百家医疗AI公司拿到了融资，但绝大多数产品只能在实验室里打转，因为没有任何一个部门明确告诉他们：你的产品到底是不是医疗器械？这个问题不解决，融资烧完了产品也上不了市。

NMPA注意到了这个困局。医疗器械的注册管理有成熟体系，但AI软件是否属于医疗器械、属于哪一类，在当时几乎是空白。2021年7月，NMPA正式发布《人工智能医疗器械分类界定指导原则》，第一次系统回答了这个问题：AI软件可以成为医疗器械，并且告诉你如何判断、如何分类。

这份文件不是一部新法律，而是对现有《医疗器械监督管理条例》和《医疗器械分类规则》在AI领域的“应用解释”。它明确了三件事：AI软件能否作为医疗器械管理、如何判断一个AI产品是否属于医疗器械、判定为器械后如何确定管理类别。我们可以用一个“分类判定函数”来概括整份文件的灵魂：

这个“户口评估表”告诉我们：你是干什么的（用途）、以什么身份报（形式）、做的事有多危险（风险），三者综合决定你落在哪个户籍片区。所以，做医疗AI的第一件事不是写代码，而是先拿着产品定义，对照这张表自评一遍。

分类界定原则

上户口的第一步是确认“你是不是自然人”。在医疗AI界，这个问题变成了“你是不是医疗人士”——即产品是否有医疗用途。指导原则开门见山：只有预期用途为医疗目的的AI产品，才可能被界定为医疗器械。

医疗目的包括疾病的诊断（如肺结节检测）、治疗（如放疗靶区勾画）、监护（如ICU生命体征预警）、缓解（如疼痛管理）等。反过来，那些只管健康管理、生活方式的AI——比如运动手环里的心率算法、饮食APP的热量计算——不属于医疗器械，因为它的输出不会直接左右医生的诊断或治疗方案。

判定时要看三样东西：产品的预期用途声明、使用场景和输出结果。如果软件输出的内容直接为医生诊断或治疗提供依据，就是医疗用途；如果只是告诉用户“今天走了八千步，继续保持”，就不算。这套逻辑用分段函数表达非常直观：

这一步就像派出所核对身份——先确认你是来办事的居民，还是路过的游客。很多人以为AI离监管很远，其实从产品的“自我介绍”（预期用途）写下的那一刻起，边界就已经划好了。

独立软件分类

确认了“医疗人士”身份后，第二个问题来了：你是一个人单独来落户，还是跟着家人随迁？独立AI软件就像单独落户的成年人，要自己撑起一整个“户”。指导原则中的独立软件，指不依赖特定医疗器械硬件、单独运行并实现医疗用途的软件。

举个典型例子：一个读取CT影像并在普通电脑上运行的肺结节AI诊断软件，就是独立软件。它不绑定任何特定设备，可以装在医院的任意一台电脑上。指导原则明确，独立软件本身可以成为医疗器械，需要单独分类、单独注册，有自己的“身份证号”——注册证编号。

独立软件的类别主要由“决策级别”决定。指导原则把AI在临床中的角色分成三个级别，相当于给软件定“户主责任”：

独立软件是自家“户主”，户主有多大本事（决策级别），就要承担多大责任。所以做独立软件的同学，第一个要回答的问题就是：你的AI到底是在“替医生做主”还是“帮医生参谋”？这个定位直接决定了你后面要走多深的注册流程。

嵌入式软件分类

和独立软件不同，还有一类AI“寄生”在设备里——比如CT机器自带的图像优化算法、超声设备里的自动测量模块。它们就像随迁到父母户口上的孩子，不单独立户，跟着家里的户主（主机）走。指导原则对这类的规定很明确：不单独分类、不单独注册。

嵌入式软件的定义是“包含在医疗器械硬件中、作为其功能组成部分的AI模块”。判定嵌入式AI的关键，是看它与主机的耦合程度：软件是否是主机实现预期用途的必要组成部分。如果医院把软件从设备上抠出来，设备就没法正常干活，这就是嵌入式。

既然不单独注册，那它的“身份”怎么体现？答案是随主机一起。一台III类CT设备里嵌入了AI降噪算法，这台CT的注册资料里要包含AI算法的软件研究资料，但不需要为AI单独申请一张注册证。分类公式简洁到让人惊讶：

随迁户口的好处是省事，坏处是“一荣俱荣、一损俱损”。主机出了质量问题，嵌入式AI同样要被审评老师仔细盘问。所以即使不单独注册，嵌入式AI的算法文档、数据说明、测试报告，一份都不能少。

风险等级划分

派出所对辖区居民有分级关注：普通居民、重点关注对象、高危管控人员。医疗AI也是这个逻辑。按照《医疗器械分类规则》，器械管理类别分三档：I类低风险、II类中风险、III类高风险，监管强度从“松”到“紧”排列成三个台阶。

AI医疗器械的风险等级判断，主要看三个维度。第一，预期用途是否与生命支持相关——比如ICU自动报警和普通体检报告解读，风险天差地别。第二，决策自动化程度有多高——自动决策比辅助决策高一个风险档。第三，AI出错后能否被及时拦住——如果医生有最终否决权，风险就低一档。

从实际分布看：I类极少，因为大多数有医疗用途的AI都在干活（诊断、治疗相关），存在中高风险；II类是绝对主力，如各类辅助诊断软件——AI输出提示，医生签字确认；III类多集中在自动决策场景，如无人值守的用药监护、自动分诊系统。风险等级直接决定注册工作量：III类需要临床评价甚至临床试验的概率远高于II类，审评周期也更长，两者投入可能差出几百万和一年时间。

把自己想象成派出所民警：对“普通居民”一年走访一次，对“重点关注”一季度随访一次，对“高危管控”恨不得天天盯着。等级定了，监管强度也就定了。所以不要幻想“做成I类就轻松了”——如果你做的事情本质有风险，该是II类就是II类，硬压只会给自己埋雷。

注册申报路径

上户口不是交一次材料就完事，你得先去确认归属、再准备全套证明材料、最后等审批盖章。AI医疗器械注册也是三大步，每一步都有明确的“窗口”。

第一步，分类界定申请。企业拿不准产品属于哪一类时，可以向NMPA医疗器械标准管理中心提交分类界定申请，附上产品描述、预期用途声明、工作原理、算法简介等资料，获得的《分类界定通知书》就是官方“户口预审意见”。这个环节不是强制性的——如果企业自己判断类别很确定，可以直接按对应类别申报——但拿不准时花几个月做一次界定，远好过申报后被退回。

第二步，注册资料准备。拿到类别后，按对应类别的注册要求准备材料。AI软件的特殊性在于：软件研究资料是重头戏，包括需求规格说明、算法设计说明、数据集来源与标注规则、算法性能测试报告、临床评价资料等。II类和III类都需要注册证才能上市销售，I类实行备案管理，材料要求相对简单。

第三步，审评审批。资料递交到NMPA医疗器械技术审评中心，审评老师会重点关注算法安全性、数据集的合理性、临床证据的充分性。通过后核发医疗器械注册证，产品才正式拿到“户口”。整个流程走下来，II类通常需要1-2年，III类可能2-3年，周期之长远超互联网人想象。

整个过程就是“确认归属→准备材料→审批盖章”。对照《指导原则》这个“办事指南”走，每一步都清楚；反之，跳过界定直接申报，大概率会被审评老师打回重来，白白浪费半年时间。

临床验证要求

上户口要提供出生证明、学历证明、无犯罪记录证明……AI医疗器械要拿注册证，最核心的“证明材料”是临床验证报告——证明这个算法真的靠谱。指导原则和配套审评要点对这块卡得最严。

先说数据集。训练集、调优集（验证集）、测试集必须三集独立划分，测试集绝对不能参与模型训练。这不是建议而是硬性要求——用训练数据自测，准确率99%也不能作为注册证据，因为模型已经“背过答案”了。数据最好来自多个中心，覆盖不同设备型号、不同地域人群、不同疾病阶段，这样审评老师才相信你的AI换个环境也能干活。

再说性能指标。审评最看重两个数：灵敏度和特异度。灵敏度回答“有病的人能被发现多少”，特异度回答“没病的人会不会被误伤”。公式如下：

材料越扎实，户口批得越快。很多AI团队在研发阶段习惯用同一批数据反复调参评测，等注册申报时才发现训练集和测试集混在一起，只能从头补实验、重新收集数据。建议从立项第一天就建立严格的数据分割规范，这比任何炫酷算法都值钱。

判定常见误区

派出所每天都会遇到想当然的申请人：“我穿白大褂就是医生”“我住哪个街道自己说了算”“去年这么办今年还这么办”。AI分类界定的误区，也逃不出这几种心态。

第一个误区是“软件不是器械”。很多人觉得AI产品就是个APP，互联网产品发布即上线，怎么会被医药监管局管？但指导原则说得清清楚楚：只要用于医疗目的，独立软件就是医疗器械。你的肺结节AI装上APP外壳，也改变不了它属于II类医疗器械的事实。

第二个误区是“分类自己定”。有些企业想方设法把产品往低类别上靠，降低注册成本。但分类不是自选动作，必须以预期用途和决策级别为依据，按照指导原则的判定逻辑走。擅自降类、未注册就销售，按照《医疗器械监督管理条例》属于生产销售未注册医疗器械，轻则罚款，重则追究刑事责任。

第三个误区是“老黄历”。指导原则不是一成不变的，NMPA会随着AI技术发展、使用场景变化、国际监管动态持续修编。比如生成式AI进入医疗后，相关分类规则也在不断补充。企业必须持续关注最新版本，立项时看到的规则，到申报时可能已经更新了。

上户口最大的忌讳是“想当然”。监管规则就摆在那里，与其等产品做完了才慌慌张张找路子，不如从第一天就把分类问题看透。合规不是成本，是医疗AI的入场券。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""AI医疗器械分类判定器根据 NMPA《人工智能医疗器械分类界定指导原则》的核心判定逻辑,输入产品特征, 输出建议管理类别。"""  def has_medical_purpose(description):    """判断是否具有医疗用途."""    keywords = ["诊断", "治疗", "监护", "缓解", "筛查", "预测"]    return any(kw in description for kw in keywords)  def classify_device(name, description, software_type, decision_level):    """    分类判定主函数.    name: 产品名称    description: 用途描述    software_type: "standalone"(独立软件) / "embedded"(嵌入式)    decision_level: "auto"(自动) / "assist"(辅助) / "info"(提示)    返回: (建议类别, 判定理由)    """    if not has_medical_purpose(description):        return "非医疗器械", "无医疗用途, 不在器械管理范围内"     if software_type == "embedded":        return "随主机分类", "嵌入式软件随主机注册, 不单独分类"     if decision_level == "auto":        return "第三类", "自动决策风险高, 按 III 类管理"    if decision_level == "assist":        return "第二类", "辅助决策需医师确认, 按 II 类管理"    return "待界定", "仅提示信息, 建议申请分类界定"  if __name__ == "__main__":    cases = [        ("肺结节AI", "基于CT影像辅助医生诊断肺结节", "standalone", "assist"),        ("心率算法", "监测运动时的心率变化", "embedded", "info"),        ("急诊分诊", "自动判断患者危重程度并分流", "standalone", "auto"),        ("饮食记录", "记录日常饮食并给出减脂建议", "standalone", "info"),    ]    for case in cases:        cls, reason = classify_device(*case)        print("{} => {} | {}".format(case[0], cls, reason))

1. def has_medical_purpose(description):第一步身份过滤：用关键词匹配判断是否有医疗用途，这是“是不是人”的入口检查。
2. if not has_medical_purpose(description):没有医疗用途直接判为“非医疗器械”，相当于派出所确认你是路过游客，不用走后续流程。
3. if software_type == "embedded":嵌入式软件“随主机分类”，不单独给户口，直接结束判定。
4. if decision_level == "auto":自动决策按III类管理，这是风险等级划分里最高的一档。
5. if decision_level == "assist":辅助决策按II类管理，绝大多数医疗AI产品落在这个分支。

常见误区

面试题