人工智能在医疗保健中已不再是新兴技术——而是现实。截至2025年7月，美国食品药品监督管理局（FDA）已授权超过1250种AI医疗设备用于临床，较一年前的950种大幅加速。然而，尽管监管取得进展，一个关键悖论依然存在：每年有数百种AI算法发表在同行评审期刊上，但只有极少数转化为临床实践。
算法成功与商业成功之间的差异并不在于技术复杂性本身，而在于战略性商业化。这一现实在FDA 2025年1月关于AI设备生命周期管理的指南中得到强调，该指南为制造商在从开发到实际部署的每个阶段制定了更清晰的要求。理解这些路径——以及资金、监管、报销和指南整合不断演变的格局——的行业专业人士，能够更好地加速创新。
本文探讨了当前医疗AI技术的商业化环境，既分析了促成成功的基础设施，也探讨了持续阻碍推广的障碍，并重点关注定义了行业的实际案例和发展。
临床机遇：医疗AI为何重要
医疗AI的基本案例仍然令人信服。以腹部主动脉瘤（AAA）为例，这种疾病影响全球约5%的人口，常常在破裂前未被发现，死亡率接近80%。2024年，Chiu及其同事展示了一种深度学习算法，可使未经正式超声培训的护士以100%的敏感度和97.8%的特异度检测AAA，平均37秒完成诊断成像，诊断质量与受过超声培训的医生相当。这项技术解决了一个真正的临床瓶颈：全球范围内受过培训的超声技术人员短缺，尤其是在资源匮乏的环境中。
然而，这项经过验证的技术走向广泛应用的路径说明了商业化的挑战。算法本身——无论多么准确——无法创造临床影响。它需要机构支持、监管导航、报销机制以及融入临床实践指南。这些要素构成了创新所依赖的商业化基础设施。
同样，在诊断成像领域，AI应用持续扩展到放射学之外。2025年一项系统综述检查了AI辅助骨折诊断在X光片上的表现，发现AI系统实现了超过90%的汇总敏感度和特异度，与放射科医生表现相当，读者研究证实AI辅助可将放射科医生敏感度提高6-8%而不丧失特异度。然而，尽管展示了这种价值，大多数这些工具缺乏专门的计费代码或明确的报销路径，而这些是按服务付费医疗系统中可持续临床部署的基本要求。
商业蓝图：从成功中学习
有几家公司成功走完了完整的商业化路径，为新兴企业提供了模型。一个突出的例子是Viz.ai，一家成立于2016年的美国神经影像公司，已成为AI医疗设备商业化的标杆。Viz.ai的发展轨迹揭示了成功转化所需的关键要素：
多学科团队和稳健的算法开发： Viz.ai组建了一个结合临床专业知识、软件工程和监管知识的团队。该公司在同行评审期刊上广泛发表文章，建立了科学可信度，吸引了投资者和临床医生。到2024年，公司创造了4880万美元收入，拥有325名员工，这一规模需要对产品质量进行系统性投资。
从成立之初就整合监管方法： Viz.ai没有将FDA要求视为事后考虑，而是从一开始就实施了符合国际标准化组织（ISO）认证的质量管理体系。这种方法虽然最初需要更多资源，但通过消除昂贵的事后质量框架改造，最终加速了监管审批。该公司获得了FDA对多种分析医学影像的AI算法的许可，包括CT扫描、心电图和超声心动图。
健康技术评估以展示价值： Viz.ai委托进行了一项初步健康技术评估，证明AI辅助的缺血性中风检测可通过识别原本会被遗漏的中风，每年为英国节省1100万英镑。这一临床和经济价值的定量证据在吸引投资方面至关重要；该公司最终筹集了超过2.9亿美元来开发和扩展其产品。
与付款人的协调接触： Viz.ai直接与美国医疗保险和医疗补助服务中心（CMS）合作，为AI基础的中风检测建立了计费代码（CPT代码93054及其后继代码），初始报销率为每位患者1040美元。这一路径在医疗AI报销中是一个罕见的成功故事——自2020年以来推出的大多数设备仍然缺乏联邦医疗保险覆盖。
持续的利益相关者接触： 与指南制定组织的持续接触对Viz.ai的成功至关重要。该公司与专业学会合作，鼓励将AI辅助中风检测纳入临床实践指南，从而使该技术合法化并促进临床采纳。
这条商业化路径虽然需要大量资本和机构专业知识，但已成为投资者评估AI医疗设备企业的隐含标准。
资金格局：资本需求和战略定位
尽管风险资本对医疗保健的兴趣增加，但医疗AI的资金仍然集中在具有明确商业叙事的企业中。私人投资者越来越多地超越算法准确性，评估临床影响潜力和收入生成的可行性。
对于罕见疾病应用——例如影响不到5%人口的AI增强AAA筛查——资金挑战加剧。然而，战略定位可以缓解这一担忧。小众临床市场的论点已经强化：投资者认识到，较小的、高度专业化的市场面临的竞争压力小于饱和的细分市场，如普通肿瘤学或心脏病学筛查，那里众多竞争对手争夺市场份额。此外，为特定应用开发的技术通常表现出适应性。例如，AAA筛查的AI增强超声指导可以适应其他血管疾病——颈动脉疾病、外周动脉疾病和静脉疾病——从而显著扩大可寻址市场。
健康技术评估成为确保资金的实际工具。通过系统评估成本效益、安全性和社会文化影响，企业以量化术语展示其价值主张，这与机构投资者产生共鸣。这一证据在接近A轮融资时变得尤为宝贵。截至2025年，投资者优先考虑那些已确定CPT代码或门诊手术中心（ASC）报销路径、开发了预算影响模型并与付款人进行了早期对话的企业——这些是表明管理成熟度的明确去风险因素。
监管路径：FDA的现代化
FDA对AI医疗设备的监管环境经历了实质性演变，2025年上半年三项关键发展重塑了格局：
AI辅助科学审查： 2025年5月，FDA宣布完成其生成式AI科学审查员试点项目，并指示所有FDA中心立即部署AI辅助审查工具，全面整合目标定于2025年6月。FDA副局长Jeremy Walsh称该技术为“游戏规则改变者”，指出以前需要三天审查员时间的任务现在可以在几分钟内完成。虽然实施细节仍有限，但这一部署可能加速510(k)审查时间表，这是影响产品上市计划的关键因素。
生命周期管理指南： 2025年1月，FDA发布了题为“AI设备软件功能：生命周期管理和上市提交建议”的指南草案，解决了AI设备监管中的一个持续挑战。该指南澄清了对持续监控、预定变更控制计划和真实世界性能评估的期望，承认AI系统在遇到不同临床数据集和患者群体时会不可避免地演变。
预定变更控制计划（PCCP）： 这一日益标准的要求允许制造商在初始批准时提交预期的修改，指定如何实施和监控变更。先例由Caption公司创下，这是一款AI驱动的心脏超声软件，于2020年通过De Novo路径获得批准，具体原因就是制造商包含了稳健的PCCP。这种监管灵活性已成为在AI模型根据新数据重新训练时维持FDA合规的关键。
尽管有这些改进，实质性障碍依然存在。通过510(k)路径获得FDA许可仍然需要证明与现有设备的实质等同性，当技术真正新颖时这是一个挑战。对截至2025年9月批准设备的分析显示，96.7%走的是510(k)路径，2.9%追求De Novo审查，0.4%寻求PMA（上市前批准）。这种对510(k)等同性的依赖带来了风险：使用“谓词”设备来证明许可合理性可能导致对真正新颖的AI方法审查不足。
实际监管策略
通过Q-Submission流程尽早与FDA接触已成为标准做法。这种预提交机制允许公司获得关于拟议监管策略的书面反馈，可能在正式开始正式提交前识别出谓词设备或路径选项。对于计划2026-2027年推出的开发者，与FDA战略政策办公室（现在通过医疗设备工具项目强调AI特定资源）接触可以简化路径并缩短审批时间表。
报销危机：规模化的绊脚石
尽管监管取得进展，报销仍然是AI广泛推广的关键障碍。截至2025年4月，只有少数获得FDA许可的AI设备获得了联邦医疗保险覆盖，造成了一个观察者所称的“狂野西部”式的临时支付安排。
报销挑战源于一个根本性的结构问题：现有的计费代码——几十年前为手动诊断和程序服务开发的CPT代码——不适应算法驱动的服务。修改这些代码或创建新代码需要多个利益相关者的支持，包括联邦医疗保险行政承包商、商业保险公司、临床医生和患者倡导团体。这个过程既不标准化也不可预测，企业很少能在3-5年内完成。
成功的报销模式
2025年的一项调查确定了几个已获得报销状态的突破性应用：
HeartFlow FFR-CT分析： 这一非侵入性血流储备分数分析工具截至2025年初已获得5个联邦医疗保险行政承包商（MAC）的覆盖，代表38个州，CPT代码75580被确定为I类代码。HeartFlow的成功建立在多项已发表的健康经济学研究之上，这些研究展示了与侵入性冠状动脉造影相比改善的患者预后和成本效益。该公司与MAC和CMS的持续接触支持了针对FFR-CT分析的特定覆盖政策的发展。
Koios Medical乳腺和甲状腺超声AI： Koios Medical的AI增强定量超声工具在2022年推出的III类CPT代码0689T和0690T下获得报销。这些代码虽然是临时且利用不足的，但为专业费用提供了比标准超声代码高30%的报销，为技术费用提供了高10%的报销。这一溢价反映了AI辅助诊断所带来的额外价值。
具有MAC覆盖的放射学AI： 许多放射学AI应用已从单独的MAC获得了本地覆盖决定（LCD），这是一个重要里程碑，表明付款人已认定“合理且必要”的覆盖——即使没有全国性的联邦医疗保险政策。
这些成功具有共同元素：改善结果的强有力临床证据、展示的成本效益、与付款人的持续接触以及专业学会的倡导。值得注意的是，没有一家快速实现了报销；每一项都代表了行业、临床医生和卫生系统之间多年协调努力的结果。
新兴的报销路径
2025年引入或扩展的两种新机制提供了传统CPT代码路径的替代方案：
新兴技术过渡性覆盖（TCET）： 由CMS于2024年宣布并于2025年澄清，TCET为被指定为FDA突破性设备的技术提供临时全国性联邦医疗保险覆盖，目标是从FDA市场授权到最终覆盖决定六个月内完成。这一路径可能使企业加快报销决定，尽管选择具有竞争性（CMS预计每季度最多五名提名者）。
医疗科技投资法案（S. 1399）： 由参议员Mike Rounds（共和党-南达科他州）和Martin Heinrich（民主党-新墨西哥州）于2025年4月9日提出，这一两党提案将为基于算法的医疗服务（AHBS）创建专门的支付路径，定义为使用AI、机器学习或类似软件的FDA许可或批准的服务。该法案建议将AHBS分配到一个现代技术门诊支付分类中，过渡期至少五年，提供可预测性，可能加速创新和采纳。虽然截至2025年12月该法案尚未通过财政委员会，但其两党支持以及与参议院AI工作组建议的一致性表明其在2026年有进展潜力。
实施与融入临床实践
获得监管批准和报销仅代表部分成功。临床整合——将AI工具嵌入常规工作流程和指南认可的做法——需要与专业学会和医疗系统的持续努力。
这一挑战通过源文件中引用的AAA筛查案例得以说明。尽管有指南推荐，AAA筛查执行仍不一致，动脉瘤常常是偶然发现而非通过主动筛查。两个专业学会提供了不一致的指导：血管外科学会（SVS）建议对65-75岁有吸烟史或家族史的男女进行超声筛查，而美国预防服务工作组（USPSTF）将建议限制在65-75岁有吸烟史的男性，理由是筛查相对低患病率疾病的成本问题。
AI增强的AAA筛查可以通过降低筛查成本和提高效率来解决这种不一致，可能支持更广泛的指南采纳。然而，实现这一整合需要与SVS和USPSTF指南委员会明确接触，提交支持AI增强方法的证据，并与专业学会领导层协调优先修订指南。很少有企业为此投入足够资源，然而临床指南整合往往决定了技术能否获得广泛采纳。
新兴挑战：算法偏见与真实世界性能
随着AI医疗设备从受控临床试验环境扩展到多样化的真实世界人群和医疗系统，新的挑战已经出现。
影像中的算法偏见： 2025年发表于《美国放射学杂志》的一项系统综述记录了多种AI影像应用中的算法偏见，在乳腺和胸部影像数据集中发现了特别令人担忧的结果。主要针对特定人群组训练出的模型在应用于代表性不足的群体时性能下降——这一模式引发了安全和公平问题。FDA 2025年1月的指南承认了这一问题，要求制造商在训练数据集中解决人口代表性，并监控不同亚组的性能。算法透明度和分析也是避免偏见的方法。然而，各供应商的实施标准仍不一致。偏见是整个医学界普遍存在的问题，如果不制定指南，可能会在AI算法中加剧。
真实世界组织建设：创始人的经验教训**
成功实现医疗AI商业化的企业拥有几个共同的组织特征：
嵌入的监管和临床专业知识： 成功的公司不将监管事务和临床咨询视为外部职能，而是将监管策略和临床输入嵌入到核心产品开发中。这减少了后期意外并加速了审批时间表。
多学科领导力： 结合临床医生（MD/DO）、软件工程师、监管专家和健康经济学专家的创始团队，优于单一领域专长的团队。这种多样性防止了孤岛思维，并确保及时关注商业化要求。
早期付款人接触： 成功的公司在产品开发期间就启动与付款人的讨论，而不是完成产品开发后再接触付款人，从而获得关于报销可能性和所需证据的非正式反馈。这种“快速失败”的方法防止企业开发出可能遇到无法克服的报销障碍的产品。
卫生系统合作伙伴关系： 在开发期间与学术医疗中心和综合卫生系统建立关系的企业，受益于临床验证环境、用户反馈以及上市后潜在的早期采纳者地位。这些合作伙伴关系加速了证据生成并支持监管提交。
患者和专业学会倡导： 与患者倡导组织和专业学会接触的企业，为指南整合和临床采纳建立了早期渠道。这种投资在监管批准前数年就开始，但在指南需要更新时会产生回报。
结论：医疗AI商业化的成熟
医疗AI已从实验性创新转变为主流医疗技术。这种成熟体现在日益复杂的监管框架、新兴的报销路径和机构投资者的期望上。车库式算法开发然后意外提交FDA的时代已经过去。
负责医疗AI临床实施的行业专业人士——无论是在监管事务、临床运营、报销策略还是产品开发领域——现在必须作为综合团队运营，应对多方面的格局。算法准确性虽然是必要的，但已不再是商业成功的充分条件。相反，企业必须展示：
- 改善患者预后的临床证据
- 定量的健康经济价值
- 从项目开始就符合不断发展的质量和监管框架
- 需要多年系统性付款人参与的切实报销路径
- 通过专业学会合作伙伴关系融入临床实践指南
- 解决算法偏见和人群多样性的真实世界性能监控策略
成功驾驭这一环境的企业和专业人士，将是那些将商业化视为从概念到持续临床实施塑造产品开发的综合战略，而非算法开发后的一个阶段的人。
正如FDA在其2025年1月生命周期指南中指出的那样：“AI成功融入医疗保健需要的不仅是算法创新，还需要验证、监管、经济和临床采纳的支持基础设施的创新。”这种重新定义——从技术成就到系统整合——定义了医疗AI商业化的成熟。
Partha Anbil 处于生命科学行业和管理咨询的交汇点。他目前是Coforge Limited（一家17亿美元的数字解决方案和技术咨询服务公司）的生命科学高级副总裁。他曾在WNS、IBM、Booz & Company、Symphony、IQVIA、KPMG Consulting和PWC担任高级领导职务。
Kelli Bravo 是Coforge的医疗保健和生命科学副总裁，专注于AI数字化转型和参与策略，以建立关系、简化运营并改善医疗保健服务。她最近曾是Pega医疗保健和生命科学业务的全球负责人，在此之前是Centene的副总裁，负责其护理管理企业解决方案的市场推广策略。
【全文结束】