2026美國FDA AI醫療器材法規完整指南｜510(k)、De Novo、PCCP與QMSR

30秒看懂FDA怎麼管理AI醫療器材

AI醫療器材有一張獨立的「FDA AI認證」嗎？
沒有。AI醫療器材仍依美國既有醫療器材制度，判斷適用上市前通知(510(k) Premarket Notification)、新型醫療器材分類申請(De Novo Classification Request)、上市前核准(PMA, Premarket Approval)或其他適用途徑。

AI醫療器材一定要做510(k)嗎？
不一定。必須先確認產品是不是FDA管理的醫療器材，再依產品分類、預期用途、產品代碼(Product Code)及是否存在合適的比較器材(Predicate Device)決定上市路徑。

FDA現在最重視AI醫材什麼？
不只是模型準確率，而是從資料、模型開發、驗證、風險、標示到上市後性能監測的完整產品生命週期。

AI模型上市後可以更新嗎？
可以評估，但不能因為是AI就任意修改。若未來修改可以事先合理界定，製造商可評估預定變更控制計畫(Predetermined Change Control Plan, PCCP)。

2026年FDA品質系統有什麼重要改變？
品質管理系統法規(Quality Management System Regulation, QMSR)已於2026年2月2日正式生效，新的21 CFR Part 820納入ISO 13485:2016。

如果產品不只規劃美國市場，也準備取得歐盟CE，建議同步閱讀：2026歐盟AI醫療器材法規完整指南｜MDR、IVDR、AI Act與2028時程。美國FDA與歐盟的制度不同，越早把兩個市場需要的資料、模型驗證及生命週期證據一起規劃，越能避免後續重複測試。

AI產品用了人工智慧，就一定是FDA醫療器材嗎？

答案是不一定。判斷重點不是有沒有AI，而是產品預期用途(Intended Use)與實際醫療功能。

例如，同樣分析穿戴式設備取得的生理資料，一套產品只是提供一般健康趨勢，另一套產品卻用這些資料判斷疾病風險、提供診斷資訊或影響治療決策，兩者面對的FDA法規問題可能完全不同。

因此，在討論510(k)、De Novo或PMA之前，應先把幾件事講清楚：

• 產品預期用途(Intended Use)是什麼？
• 使用適應症(Indications for Use)是什麼？
• 誰是目標患者(Target Population)？
• 誰是預期使用者(Intended User)？
• AI輸入(AI Input)是什麼？
• AI輸出(AI Output)是什麼？
• AI輸出會不會直接影響診斷、治療或患者管理？

很多AI醫療產品真正的第一個法規工作，不是送件，而是產品資格判定與法規定位。

FDA AI醫療器材要走510(k)、De Novo還是PMA？

沒有一條路徑專門叫「AI申請」。AI醫材仍依既有FDA醫療器材分類與上市制度決定路徑。

什麼情況可能走510(k)？

上市前通知(510(k) Premarket Notification)的核心，是證明新產品與合法上市的比較器材(Predicate Device)具有實質等同性(Substantial Equivalence)。

AI公司不能只問：

「FDA資料庫裡有沒有一套名字很像的AI？」

真正要比較的是：

• 預期用途(Intended Use)
• 使用適應症(Indications for Use)
• AI在臨床流程中的角色
• 技術特性
• 輸入與輸出
• 使用族群
• 是否產生新的安全性或有效性問題

找到類似產品，不代表就已經找到合格的Predicate。

什麼情況可能走De Novo？

如果產品是新的醫療器材類型，沒有合法上市的適當比較器材，但一般控制或一般控制加特殊控制足以合理確保安全性與有效性，就可能評估新型醫療器材分類申請(De Novo Classification Request)。

AI醫材很容易碰到這種情況。

表面上，它可能只是「另一套軟體」；但如果AI第一次被放在新的醫療決策位置，或提供過去沒有的診斷輸出，法規定位就可能不同。

什麼情況可能走PMA？

上市前核准(Premarket Approval, PMA)通常涉及高風險第三等級醫療器材(Class III Medical Device)，必須提出足夠的安全性與有效性證據。

因此：

510(k)、De Novo或PMA，是產品法規定位的結果，不是因為產品用了哪一種AI模型。

如果企業目前還停留在「不知道產品屬於哪一級、沒有Product Code、不確定Predicate」的階段，真正需要做的通常不是直接準備510(k)，而是先完成產品法規路徑與證據缺口分析。可進一步參考：AI醫療器材歐美上市法規與技術文件整合服務。

FDA現在怎麼看AI醫療器材？

FDA現在看的不是單一模型，而是AI醫療器材從開發到上市後的完整生命週期。

FDA於2025年1月發布《人工智慧醫療器材軟體功能生命週期管理與上市申請建議》(Artificial Intelligence-Enabled Device Software Functions: Lifecycle Management and Marketing Submission Recommendations)草案指引(Draft Guidance)。

截至2026年，這份文件仍屬草案指引，不是最終法規要求。

但它非常清楚地反映FDA目前對AI醫材的審查方向，包括：

• 品質系統文件(Quality System Documentation)
• 產品說明(Device Description)
• 使用者介面與標示(User Interface and Labeling)
• 風險評估(Risk Assessment)
• 資料管理(Data Management)
• 模型說明與開發(Model Description and Development)
• 驗證(Validation)
• 性能監測(Performance Monitoring)
• 網路安全(Cybersecurity)

所以，如果一家公司手上的資料只有：

模型架構＋Accuracy＋幾張測試結果

通常還不能直接說：

「FDA資料已經準備完成。」

AI醫療器材為什麼特別重視資料來源？

因為AI模型的性能與它使用的資料直接相關，資料本身因此成為產品證據的一部分。

在準備AI醫材證據時，至少應該能回答：

• 資料來自哪裡？
• 收集方式是什麼？
• 納入與排除條件(Inclusion／Exclusion Criteria)是什麼？
• 標準答案(Ground Truth)如何建立？
• 誰負責資料標註(Annotation)？
• 訓練資料(Training Data)、驗證資料(Validation Data)與測試資料(Testing Data)如何區隔？
• 是否有真正獨立的測試資料(Independent Test Data)？
• 資料能不能合理代表產品未來真正使用的患者？

AI醫材最麻煩的證據缺口(Evidence Gap)，往往不是模型沒做好，而是幾年前的資料已經找不到完整來源、版本、標註方法或切分紀錄。

AI模型Accuracy 95%，為什麼還不代表可以送FDA？

因為主管機關需要知道的是產品是否能支持預期醫療用途，而不是只有一個整體準確率。更重要的是，這個準確率是用什麼資料算出來的，也會影響結果是否具有法規意義。

FDA特別關注訓練、驗證及測試資料是否足以代表產品的預期使用族群(Intended Use Population)。如果資料中的患者特徵、疾病分布、醫療機構、設備來源或其他重要條件與實際使用情境差異過大，即使整體Accuracy很高，也可能無法充分證明產品在真正目標族群中的安全性與有效性。

依不同產品功能，可能需要評估的，除了準確率以外含還有例如：

• 敏感度(Sensitivity)
• 特異度(Specificity)
• 陽性預測值(Positive Predictive Value, PPV)
• 陰性預測值(Negative Predictive Value, NPV)
• 其他與產品預期用途相關的性能指標(Performance Metrics)

真正的問題是：

AI在預定患者、預定使用者及預定醫療情境下，能不能達成產品所宣稱的功能？

這也是醫療器材驗證與單純AI模型競賽最大的不同。

AI模型對平均患者很好，就代表所有患者都安全嗎？

不一定。AI醫療器材還必須考慮資料代表性、偏差(Bias)及重要次族群的性能差異。

例如整體數據很好，但模型對特定年齡、性別、疾病嚴重程度或不同設備來源的患者明顯較差，就可能形成臨床風險。

因此，AI醫材不能只問：

「上市前測試有沒有過？」

還應該問：

「產品進入真實世界以後，性能是否仍然維持？」

這也是資料漂移(Data Drift)與性能漂移(Performance Drift)需要被納入生命週期管理的原因。

AI模型上市後可以修改嗎？PCCP是什麼？

預定變更控制計畫(Predetermined Change Control Plan, PCCP)是讓製造商在送件時，事先描述特定未來修改及其控制方式的制度。它不是讓AI上市後可以任意改版。

PCCP主要包括：

預定修改說明(Description of Modifications)

未來預計修改什麼？

修改程序(Modification Protocol)

修改要如何開發、驗證及實施？

影響評估(Impact Assessment)

修改可能如何影響產品安全性與有效性？

如果一套AI醫療器材的商業模式本來就是：

資料 → 訓練 → 建模型 → 發行 → 新資料 → 再訓練 → 模型修改 → 發新版本 (重複)

那麼模型變更管理就不應等到產品上市後才思考，也是FDA審查關注的重點。

如果同一產品也規劃歐盟市場，還需要另外評估歐盟醫療器材法規(MDR/

IVDR)與人工智慧法案(AI Act)對模型變更及生命週期證據的要求，可延伸閱讀：歐盟AI醫療器材MDR、IVDR與AI Act規範。

2026年QMSR生效後，ISO 13485證書等於符合FDA嗎？

不等於。

FDA的品質管理系統法規(Quality Management System Regulation, QMSR)已於2026年2月2日正式生效，並在21 CFR Part 820中納入ISO 13485:2016。

但製造商仍然必須符合美國《聯邦食品藥物與化妝品法》(Federal Food, Drug, and Cosmetic Act, FD&C Act)與其他適用FDA要求。

因此，AI醫材公司的品質系統至少要開始把這些內容正式納入管理：

• 軟體與AI開發
• 模型版本
• 資料版本
• 外包AI開發
• 供應商管理
• 產品變更
• 矯正與預防措施(Corrective and Preventive Action, CAPA)
• 客訴處理(Complaint Handling)
• 上市後監測

模型不能永遠只存在研發部門的工程環境裡，必須要進入品質管理系統以及市場監督體系。

AI醫療器材需要做網路安全嗎？

如果產品存在網路安全風險，就需要評估FDA相關要求；不是所有AI產品因為用了AI就自動適用相同資安要求。

適用產品可能需要考慮：

• 網路安全風險管理(Cybersecurity Risk Management)
• 威脅模型(Threat Modeling)
• 弱點管理(Vulnerability Management)
• 軟體物料清單(Software Bill of Materials, SBOM)
• 安全更新與修補機制

所以網路安全(Cybersecurity)不是510(k)、De Novo或PMA之外的第四條上市路徑，而是一項可能橫跨產品設計、FDA送件、品質系統及上市後管理的要求。

FDA AI醫療器材送件前，至少先整理哪些資料？

以下不是FDA公布的「法定七大文件」，而是依現行FDA制度與AI草案整理出的實務盤點方式。

1. 產品定義(Product Definition)

預期用途、患者、使用者、醫療情境、AI輸入與AI輸出。

2. 法規定位(Regulatory Classification)

醫療器材分類(Classification)、產品代碼(Product Code)、比較器材(Predicate Device)及可能上市途徑。

3. 軟體與AI架構(Software and AI Architecture)

系統架構、軟體架構、模型說明及版本控制。

4. 資料治理(Data Governance)

資料來源、資料追溯(Data Provenance)、Ground Truth、資料切分及資料代表性。

5. 驗證與臨床／性能證據(Validation and Clinical／Performance Evidence)

性能指標、接受標準、獨立測試、次族群分析及支持醫療用途所需的證據。

6. 風險、人因與網路安全(Risk, Human Factors and Cybersecurity)

確認AI失敗、人機互動及資安風險。

7. 生命週期與變更管理(Lifecycle and Change Management)

模型版本、資料改變、模型重新訓練(Retraining)、PCCP及上市後監測。

如果企業已經有產品、演算法、測試報告或臨床資料，但不知道這些資料能否直接用於FDA送件，下一步通常應先進行證據缺口分析，而不是直接重新做全部測試。可參考：AI醫療器材FDA與歐盟上市法規及技術文件整合服務。

FDA AI醫療器材最常見的6個錯誤

1. 產品做完才判斷是不是醫材。
一旦預期用途、資料與驗證方法都已固定，後續修改成本會很高。

2. 一開始就假設一定走510(k)。
510(k)應是分類與Predicate分析後的結果。

3. 只有Accuracy，沒有醫療用途證據。
模型性能不等於產品安全有效性。

4. 沒有保存Data Provenance。
幾年後連資料從哪裡來都無法重建。

5. 把ISO 13485證書等同FDA QMSR。
QMSR雖納入ISO 13485:2016，但仍有美國法規要求是不在ISO 13485要求內的。

6. 上市以後才想模型怎麼更新。
如果產品預計持續迭代，PCCP與Change Control應在早期評估。

FDA AI醫療器材FAQ

AI醫療器材一定需要510(k)嗎？

不一定。先確認是否屬於FDA監管醫療器材，再依分類、產品代碼(Product Code)、Predicate及產品風險選擇適當上市路徑。

FDA有「AI醫療器材認證」嗎？

沒有一張獨立的FDA AI認證。AI醫療器材仍透過既有FDA醫療器材制度取得美國市場准入。

找到Predicate就代表一定能走510(k)嗎？

不是。仍然必須比較預期用途、技術特性，以及產品差異是否產生新的安全性或有效性問題。

AI模型更新一定要重新申請FDA嗎？

不一定，要依變更內容與適用變更政策判斷。若特定修改已納入FDA接受的PCCP，則可依該PCCP的範圍及控制方法管理。

如果產品同時要進美國和歐盟，可以共用資料嗎？

部分產品定義、軟體資料、模型驗證、風險及臨床證據可能具有共通基礎，但FDA與歐盟的法規架構並不相同，不能直接把同一套Technical File原封不動使用。建議在產品開發初期就同時規劃兩個市場。延伸閱讀：2026歐盟AI醫療器材法規完整指南｜MDR、IVDR與AI Act。

結論：FDA要審查的不是AI，而是一個可以持續受控的醫療器材

對AI公司而言，最危險的開發順序是：

模型做好 → 找FDA顧問 → 看能不能補文件。

比較合理的順序是：

產品定位 → FDA法規路徑 → 證據規劃 → 資料與模型開發 → 驗證 → FDA送件 → 上市後管理

真正的FDA AI醫療器材合規問題，不是「AI有多先進」，而是：

公司能不能證明這個產品在預定患者與預定醫療環境中安全、有效，而且產品修改後仍然持續受到控制。

如果您的產品已經進入實際開發或上市規劃階段，需要進一步判斷是否屬醫療器材、適用哪一個Product Code、能否走510(k)、是否有適當Predicate、現有AI資料與驗證報告還缺哪些證據，可進一步參考：

AI醫療器材歐美上市法規與技術文件整合服務｜樞紐科技顧問

服務內容涵蓋產品資格判定、FDA上市路徑、510(k)／De Novo／PMA評估、比較器材(Predicate Device)研究、證據缺口分析(Evidence Gap Analysis)、資料治理(Data Governance)、模型驗證(Model Validation)、預定變更控制計畫(PCCP)、品質管理系統法規(QMSR)及網路安全(Cybersecurity)文件規劃。