破除误解
第一个误解，是以为生物医学工程就是"给医院做设备"。它的真正难点在于工作环境：三十七度、含盐、湿润、有免疫系统、会自己修复也会自己攻击，而且不能停机检修。一台工业设备可以定期维护、可以在故障时安全停机；一台植入式除颤器不能。同样的可靠性指标，在这里意味着完全不同的设计余量。
第二个误解，是把生物相容性理解成"无毒"。无毒只是最低要求。真正的问题是身体如何回应这个外来物：蛋白质会在几秒内吸附到表面，凝血级联可能被激活，巨噬细胞会聚集，最终常常形成一层纤维包膜把它裹起来。这层包膜对关节假体是好事（稳定），对葡萄糖传感器是灾难（读数漂移）——同一个生物反应，在不同器械上一个是特性、一个是失效模式。
第三个误解，是认为医疗器械和药物受同样的监管逻辑。两者的证据体系差别很大：药物几乎必须走随机对照试验，而大量器械是通过"与已上市器械实质等同"的路径进入市场的。这条路径的效率与它的争议同样出名。
需要说明的是：本篇是原理性通识解释，不构成医疗建议；任何诊疗决定应由具备资质的医疗专业人员作出。
一、三条技术线索
替代：当器官的功能丧失，用装置接管它。1943 年科尔夫用香肠肠衣和转鼓做出第一台可用的人工肾；1953 年吉本的心肺机第一次让心脏在手术中可以被停下来。这类装置的设计约束几乎全部来自血液——血液碰到人造表面会凝固，而抗凝又会导致出血，整个体外循环工程史就是在这两个悬崖之间找路。
辅助：不接管功能，而是纠正它。1958 年 10 月，埃尔姆奎斯特制作、森宁植入的第一台全植入式心脏起搏器进入了阿尔内·拉尔森体内——首台器件只工作了几个小时，第二台也只撑了些时日。但这位病人此后依靠陆续更换的数十台起搏器活到了二十一世纪，比发明者和主刀医生都长寿。这是工程可靠性史上最有说服力的一条曲线：从数小时到数十年。
观察：让身体内部变得可见。伦琴的 X 射线让骨骼可见，而真正的跃迁来自计算——计算机断层扫描的关键不是新的物理，而是一个数学事实：从足够多角度的投影可以重建断面。核磁共振成像随后提供了软组织对比度，其奠基性工作使劳特布尔与曼斯菲尔德获得 2003 年诺贝尔生理学或医学奖。影像设备是这个领域里数学含量最高的部分：硬件采集的是原始信号，医生看到的图像是算法的产物。
二、材料：身体是最苛刻的评审
| 应用 | 材料要求 | 主要失效模式 |
|---|---|---|
| 髋关节假体 | 耐磨、承力、骨整合 | 磨损颗粒引发骨溶解、松动 |
| 血管支架 | 径向支撑、可弯曲、抗血栓 | 再狭窄、晚期血栓 |
| 缝合线 | 强度随愈合进程下降 | 降解过快或过慢 |
| 血糖传感器 | 长期保持通透性 | 纤维包膜与生物污损 |
| 隐形眼镜 | 透氧、含水、不刺激 | 沉积物与角膜缺氧 |
这张表想说的是一件事："好材料"在这个领域没有普遍定义，只有针对具体失效模式的定义。 钛合金对骨科近乎完美，对血液接触面就不是最优；可降解聚合物对缝合线是特性，对永久植入物是缺陷。
一个反复出现的教训是磨损颗粒：金属对金属髋关节的初衷是减少磨损，但产生的微米级金属颗粒引发了局部组织反应与金属离子升高，多款产品最终被召回。在体外的磨损试验中，它们的表现优于被替代的方案——失效发生在生物学层面，而台架试验测不到生物学。
三、监管：证据的成本与代价
医疗器械的风险跨度极大——从压舌板到人工心脏，因此各国普遍采用风险分级：低风险器械走登记或简易审查，高风险器械需要临床数据与上市前批准。
美国的 510(k) 路径允许器械通过证明与已上市"对照器械"实质等同而获准销售，无需独立的安全有效性临床证据。它的效率极高，也因此成为争议焦点：新器械可以援引旧器械作为对照，而旧器械当年可能也是援引更旧的器械获准的——于是形成一条可以追溯数十年的"对照谱系"，链条起点的器械甚至早于现行法规。美国医学研究所在 2011 年的评估报告中直接指出：这一流程无法被改造成真正的上市前安全有效性评价，并建议以新制度取代。这条建议至今未被采纳，因为替代方案的成本会落在创新速度上——这是一个诚实的取舍，而不是一个可以被"更严格些"轻易解决的问题。
欧盟走了相反方向。《医疗器械法规》自 2021 年 5 月 26 日起适用，大幅提高了临床证据与上市后监督要求。结果是一个可预期但仍被低估的副作用：有资格进行合格评定的公告机构数量与产能跟不上认证需求，形成瓶颈，部分小众器械（尤其是儿科与罕见病器械）因为重新认证成本高于市场回报而退出欧洲市场。提高证据门槛必然筛掉一部分证据难以负担的产品，而它们不一定是最不安全的那些，往往只是市场最小的那些。
四、当器械开始学习
医疗人工智能已经从概念变成了监管现实。美国食品药品监督管理局授权的人工智能相关器械累计数量在 2025 年底已达一千四百余项，仅 2025 年当年就有近三百项——其中影像科占绝对多数，因为影像是医学中最接近"输入是图像、输出是标签"这一机器学习标准形态的领域。
它给器械监管带来了一个前所未有的结构性问题：传统器械获批后是冻结的，而学习型系统的价值恰恰在于持续更新。若每次模型更新都重新审批，迭代无从谈起；若不审批，获批时被验证的那个系统与实际在用的系统就不是同一个。监管方给出的路线是要求厂商预先提交变更控制计划——把"未来会怎么改"本身作为审批对象，这是一个相当新颖的监管发明。
未解决的问题仍然清晰：训练数据的人群分布决定了性能的人群分布；在一家医院数据上验证的模型换一家医院可能显著退化；而"辅助诊断"在真实工作流中会改变医生的行为——自动化偏倚（过度信任系统输出）与警报疲劳是同一枚硬币的两面，两者都不在器械本身的性能指标里。
五、代价与争议
创新与证据的取舍是真实的、无法回避的。要求更多证据必然延后可及性并抬高价格；要求更少证据必然让一部分风险由患者承担。任何声称能同时优化两端的方案，通常是在把成本转移到别处（如上市后监督），而不是消除它。
可及性的不对称。高端影像与手术机器人的资本成本极高，其分布高度集中于富裕地区与大城市。同一笔投入用于超声、疫苗冷链或基础检验，在人群健康上的回报常常更高——这不是反对先进器械，而是提醒器械工程的价值必须在卫生系统的层面评估，而不是在单台设备的性能指标上评估。
维修权与生命周期。植入式器械依赖体外程控设备与厂商服务，若厂商停产或退出市场，已植入患者的后续管理立即成问题。这不是假设——它已经发生在若干视网膜植入与脑深部刺激产品上，是这个领域最少被讨论、却最尖锐的伦理问题之一。
跨域连接
- CT 与 MRI：影像设备的输出是重建算法的产物而非直接测量——CT 用滤波反投影或迭代重建从投影恢复断面，MRI 在 k 空间采样后做傅里叶变换成像，这意味着采样策略与重建算法直接决定了图像里有什么、缺什么；压缩感知能用更少的采样得到可诊断的图像，代价是伪影的性质变了——从看得出的噪声变成看起来很真实的结构。
- 临床试验：器械的证据体系与药物有系统性差异——器械效果与操作者技能强相关（学习曲线）、难以设置有效盲法（假手术对照涉及伦理争议）、且产品在试验期间还在迭代；这三条决定了器械领域的随机对照试验既更难做也更难解释，也解释了为什么上市后真实世界证据在器械监管中的分量远重于药物。
- 心理物理学与信号检测论：诊断器械的评价语言直接来自这门学科——灵敏度与特异度的取舍、ROC 曲线与曲线下面积，最初是为了描述观察者在噪声中做判断的行为而发明的；今天用同一套工具评价影像 AI，其实是在承认一件事：机器和人一样，无法同时把漏诊和误诊都降到零，只能选择在曲线上站哪一点，而站哪一点是临床与伦理决定，不是技术决定。
- 高分子化学：可降解聚合物让"任务完成后消失"成为可能——聚乳酸类材料的降解速率由结晶度、分子量与共聚比例调控，于是缝合线可以在组织愈合的同时失去强度、支架可以在血管重塑后退场；难点在于降解产物的局部酸性与个体差异，同一根材料在不同患者体内的时间表并不一致。
- 卷积神经网络：医学影像 AI 的技术底座与它的局限来自同一处——卷积结构擅长捕捉局部纹理与形态，这正是放射科任务的形态；但它也会学到与病灶无关的相关性（不同设备的成像风格、扫描协议、甚至图像上的标记），于是在换一家医院时性能骤降；这类"捷径学习"是医疗 AI 外部验证被反复强调的根本原因。
参考文献
- Ratner, Buddy D., et al., eds. Biomaterials Science: An Introduction to Materials in Medicine. 4th ed., Academic Press, 2020.
- Institute of Medicine. Medical Devices and the Public Health: The FDA 510(k) Clearance Process at 35 Years. National Academies Press, 2011.
- Prince, Jerry L., and Jonathan M. Links. Medical Imaging Signals and Systems. 2nd ed., Pearson, 2014.
- European Union. Regulation (EU) 2017/745 on Medical Devices (适用日期 2021 年 5 月 26 日).
- Singh, R., M. Bapna, A. R. Diab, et al. "How AI Is Used in FDA-Authorized Medical Devices: A Taxonomy across 1,016 Authorizations." npj Digital Medicine, 2025.
延伸阅读
- Jeffrey, Kirk. Machines in Our Hearts: The Cardiac Pacemaker, the Implantable Defibrillator, and American Health Care. Johns Hopkins University Press, 2001.
- Jorgensen, Timothy J. Strange Glow: The Story of Radiation. Princeton University Press, 2016.
- Topol, Eric. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019.