人工智能与药品监管的交叉领域正迅速发展，对知识产权（IP）策略产生了潜在影响。近期发布的《关于在药品和生物制品监管决策中使用人工智能的考量因素草案指导原则》（FDA-2024-D-4689）是FDA首次尝试规范在药物安全性和有效性评估中如何使用人工智能生成的数据和模型。从个性化医疗到临床试验设计和制造质量控制，药物监管过程中新的人工智能应用每天都在涌现。随着创新者越来越多地使用这些技术，他们将面临既要符合监管透明度要求，又要保护自身知识产权的挑战。

利用人工智能支持监管决策

FDA指导原则的重点是将人工智能应用于直接支持药物安全性、有效性或质量监管决策的流程。因此，该指导原则明确排除了在与监管机构进行任何互动之前发生的临床前药物发现活动。然而，尽管公众对人工智能在制药领域应用的关注大多集中在像AlphaFold这样的药物发现工具上，但人工智能公司已经在超越药物发现，为整个药物开发过程开发解决方案。

FDA指出了人工智能在药物开发过程中的众多潜在应用。这些应用包括用于药代动力学、药效学和毒理学研究的计算机模型、剂量确定的预测模型，以及整合来自临床试验、基因数据库和社交媒体等不同来源的数据，以增进对疾病的理解。

当前人工智能在药物开发中的应用已经展示了FDA指导原则试图解决的监管复杂性，尤其是在个性化医疗领域。例如，对于莫德纳的癌症疫苗mRNA-415/V940，人工智能算法会分析患者组织样本，以识别肿瘤特异性新抗原，从而为每位患者定制独特的mRNA疫苗。这种方法给监管机构带来了问题，例如当每位患者接受潜在独特的疫苗序列时，如何评估疫苗的安全性和有效性。

人工智能系统的挑战和局限性

FDA指出了人工智能在药物开发应用中面临的几个关键挑战。首先，FDA指导原则指出，训练数据集在质量、规模和代表性方面的差异可能会引入偏差，并对人工智能驱动结果的可靠性提出质疑。此外，底层人工智能模型的复杂性使得理解这些系统如何得出结论变得困难。这种缺乏可解释性的情况要求FDA所说的“方法透明度”，即在监管提交文件中详细披露开发人工智能模型所使用的方法和流程。

在这里，我们可以看到与专利法的相似之处，特别是欧洲专利法中关于发明需充分披露的要求，或美国专利法中关于描述和使能的要求。关于人工智能发明充分性的专利法仍在发展中。因此，问题仍然存在，即与药物开发中人工智能使用的监管要求相比，人工智能本身的专利性要求是更严格还是更宽松。

为了满足方法透明度的要求，FDA指导原则特别强调披露用于开发人工智能模型的训练数据的质量和特征。为确保数据尽可能代表目标患者群体或所涉及的制造过程，指导原则建议描述数据收集、处理、标注、存储和控制流程，以及数据集选择的理由和建立标签或标注的方法。指导原则还建议包括对模型输入和输出、架构、特征、选择过程和训练超参数的描述。对于使用预训练组件的模型，指导原则指出，应指定用于预训练的数据集，并描述模型的获取或开发方式。在本文作者看来，指导原则所要求的披露程度目前远高于获得与人工智能模型相关专利所需的披露程度。

可信度评估方法

FDA指导原则的核心是“可信度”这一概念。当然，在欧洲专利法中，“可信度”（及其同义词“可信性”）是一个重要术语，它被应用于治疗性发明的证据标准以及软件发明的专利性（参见《欧洲专利局上诉委员会案例法》I-D.9.2.8）。FDA指导原则也选择“可信度”来定义药物监管过程中人工智能的证据标准。

FDA指导原则为药物监管过程中人工智能的可信度评估提供了一个基于风险的7步流程：

步骤1：人工智能模型要解决的感兴趣的问题是什么？

步骤2：人工智能模型的“使用场景”是什么？第二步涉及定义人工智能模型的“使用场景”（COU）。使用场景应定义人工智能系统的角色和范围，详细描述将要建模的内容以及模型输出将如何使用。

步骤3：人工智能模型的风险是什么？这一步要求评估使用人工智能模型的风险，该风险结合了两个因素：模型影响力和决策后果。模型影响力表示人工智能衍生证据相对于用于解答感兴趣问题的其他证据的贡献程度。换句话说，使用人工智能相比传统方法有什么好处？决策后果应描述人工智能做出错误决策导致不良后果的严重程度。对于这两个步骤，指导原则提供了一个风险矩阵，展示了模型影响力和决策后果的组合如何确定整体模型风险。例如，如果一个人工智能系统是做出高风险决策的唯一决定因素（高模型影响力），且错误可能导致严重的患者伤害（高决策后果），则该模型具有高风险，需要进行严格的可信度评估活动。

步骤4：制定在特定使用场景内确立人工智能模型输出可信度的计划。步骤4涉及制定针对模型风险和使用场景定制的“可信度评估计划”。对于高风险模型，该计划应包括对模型架构、训练数据特征、开发过程和评估方法的全面记录。指导原则为描述模型、训练数据、模型开发过程和评估方法提供了详细建议。从这一过程的细节和复杂性可以明显看出，开发人工智能模型的创新者应尽早与FDA接触，以确保他们记录了正确的信息并适当减轻了相关风险。

步骤5 - 7：执行可信度评估计划，记录可信度评估计划的结果，并确定人工智能是否适用于特定使用场景。

当模型可信度对于预期使用场景不足时，指导原则提出了一些可采取的补救措施。这些措施包括通过提交替代证据减少对人工智能模型的依赖、进行更严格的可信度评估活动，或使用额外的训练数据提高人工智能模型性能。

对人工智能知识产权策略的影响

对于人工智能公司和使用人工智能的公司来说，最关键的决策之一是，是通过专利申请披露并保护其模型，还是将模型细节作为商业秘密保护。从对FDA 7步流程的简要概述中可以明显看出，在监管提交文件中清晰记录并描述人工智能在何时、何地以及如何使用将至关重要。目前尚不清楚指导原则中有多少信息可能会被FDA公开。如果FDA要求全面甚至部分公开在监管过程中使用的人工智能模型的复杂细节，那么这可能会显著影响人工智能提供商的知识产权策略，并促使他们采取以专利为重点，而非以商业秘密为重点的策略。

此外，即使向FDA提供的关于人工智能模型的完整信息不会被公开，仍然可能存在潜在的知识产权影响。在许多情况下，创新公司本身可能并不掌握按照FDA指导原则规定的详细程度了解所有的人工智能模型。在这种情况下，人工智能提供商可能不得不向制药公司提供更多关于其产品和流程的信息，而从商业秘密的角度来看，他们可能并不愿意这样做。此外，指导原则要求披露的一些信息根本无法通过专利保护，包括关于训练数据的详细信息。

行业反馈：基础模型怎么办？

包括大型制药公司和人工智能生物技术公司在内的利益相关方已提交了100多条对指导原则的意见。这些意见中反复出现的主题包括需要更多关于7步可信度评估流程如何运作的综合示例。还有人呼吁与国际标准进一步协调，特别是经济合作与发展组织（OECD）的人工智能定义和国际医疗器械监管机构论坛的良好机器学习实践原则，以确保全球监管方法的一致性。

评论者还指出了技术挑战，包括基础模型和智能体人工智能平台所需的特殊考量。基础模型是像ChatGPT这样的大型模型，在海量数据集上进行训练。基础模型可以针对众多下游应用进行微调，包括药物监管过程中的应用，如患者分层、生物标志物发现和临床试验设计。例如，大型语言模型（LLMs）很可能被用于撰写临床试验方案和监管提交文件。因此，基础模型作为通用平台，可能不适合使用场景分类。然而，草案指导原则侧重于特定使用场景的可信度评估。像Owkin这样的人工智能生物技术公司等评论者提出疑问，是否应该建立一个双重评估结构，既评估基础模型本身的数据治理和隐私合规性，又评估从其衍生出的每个特定应用。

最终思考

从草案指导原则中可以明显看出，随着人工智能模型在制药行业的使用和复杂性不断增加，FDA将面临越来越大的审查人工智能模型安全性和有效性的负担。创新者也将面临越来越大的记录和审查其在整个监管过程中使用的人工智能模型的负担，包括第三方提供的模型。除此之外，还需要制定复杂的知识产权策略，以确保与监管流程保持一致，同时保持有竞争力的知识产权地位。本文作者在其职业生涯中学到的一个关键经验在人工智能在药物监管过程中出现的挑战中得到了印证。要有效实施，知识产权不能孤立存在，而必须与药物开发和研发团队以及整个监管流程相整合和协调。最新的FDA指导原则强调，对于人工智能模型和人工智能生成数据而言，知识产权与监管策略之间保持一致仍然至关重要。

来源：https://ipkitten.blogspot.com/2025/06/ip-implications-of-fda-guidance-for-use.html

本文原文为英文，中文为机器翻译，仅供参考，如有问题或建议，欢迎随时与我们联系。