评估自适应AI医疗器械：学习、潜力和保留三维评估框架

研究者提出了一种评估自适应AI医疗器械的新方法，解决迭代模型更新和变化的患者群体使传统性能评估不足的挑战。

挑战

自适应AI医疗器械——基于新数据随时间改进——提出独特的监管挑战：

• 模型随着从新患者学习而变化
• 患者群体本身随时间转移
• 传统验证假设静态模型和固定数据集
• 如何评估被设计为改变的东西？

三个测量维度

1. 学习

测量模型在每次更新周期后是否确实在当前数据上改善。

2. 潜力

评估数据集驱动的人口变化如何影响性能。

3. 保留

测试模型是否在修改步骤中保留先前学到的知识。

关键发现

• 渐进性人口转移 实现稳定的学习和保留
• 快速人口变化 揭示可塑性（学习新事物）与稳定性（记住旧事物）之间的权衡

监管意义

此框架为监管科学提供实用工具，使对自适应AI安全和有效性的严格评估成为可能。