Error

非常感谢国家药品监督管理局医疗器械技术审评中心的领导及各位专家的时间，我方即北京和信康科技有限公司非常荣幸有机会进行汇报神经系统病变磁共振影像辅助诊断软件相关内容。本次汇报内容包括公司介绍、产品介绍、产品设计及核心算法介绍、生产过程和安全有效性介绍。临床试验设计、临床试验结果以及针上次我方收到关于审评会需要回答的相关问题。首先对我方公司做一个简短介绍，主要包括公司介绍、公司资质及公司知识产权等。和信康公司2015年成立，专注人工智能、大数据等先进技术，研发医疗领域AI产品，2022年入选北京市“专精特新”中小企业名单。公司拥有国内最大的单体第三方影像中心，大股东美中嘉和集团在香港上市，长期专注于先进肿瘤诊疗，旗下广州泰和肿瘤医院是华南地区首家成熟的拥有质子放疗系统的医疗机构。和信康拥有医疗机构牌照以及多个医疗器械认证和信康拥有多项知识产权认证，包括多个专利以及多个软件著作权证书。现在向各位领导及专家介绍我方研发背景、产品基本信息及产品主要功能和流程介绍。颅内病变，无论肿瘤还是非肿瘤病变，都具有高度危害性和严重性。若未及时诊断和治疗，可能致残甚至危及生命，对患者的生活质量及家庭社会带来沉重负担。颅脑MRI影像诊断是临床重要的诊断手段，但是也存在很多挑战和痛点，例如MRI影像诊断复杂度高，给医生分析诊断带来更多压力和负担，也耗费更多时间。少部分脑部MR影像阳性病例，容易在影像复杂信息或医生疲劳等因素影响下被遗漏。临床存在同病异影或者同影异病现象，给医生鉴别诊断带来挑战。 MR影像需要医生具备丰富专业知识和临床经验，部分经验不足的低年资医生更容易出现漏误诊，也限制了整体诊断效率的提升。基于颅脑MRI上述临床痛点，和信康公司基于自身专业人工智能研发团队，整合公司影像中心资深放射专家，并联合集团肿瘤诊疗专家，研发了此款磁共振影像辅助诊断软件，旨在消除或者缓解临床痛点，实现更多临床价值。例如： 辅助医生识别阳性病变，降低漏诊率。 辅助医生提升鉴别复杂或者相似疾病的能力，降低误诊率。 辅助医生提高诊断效率，产品提示影像逐层分类结果，使医生有更多的时间和精力集中分析和诊断，提高诊断效率。 辅助提升诊断稳定性、一致性，避免因医生经验不足或者压力导致的误诊或漏诊。有助于提升整体诊断水平和质量。本页PPT我方展示了没有AI辅助的常规临床影像工作概要流程及AI辅助诊断流程，旨在更直观说明产品临床定位和价值： 本页PPT上图展示了临床影像工作概要流程，潜在患者经由影像技师完成MR检查后，生成的MR影像通过PACS/RIS 系统发送给医生，医生根据自身医学知识、经验结合患者信息、影像特征对影像多个序列进行逐张阅片，独立作出判断。之后根据诊断结果，进行最终影像报告撰写。此流程下，医生需承担高强度阅片与分析工作，面临较大压力，诊断结果较依赖个人经验。 本页PPT下图展示了拥有AI辅助诊断流程，同常规流程起点一致，MR检查生成的MRI影像通过PACS/RIS 系统发送给医生。 与此同时患者原始影像也同步发送给本AI产品，AI产品实时处理影像，对每张层面作出分类判定，并直观展现结果给医生。 相较常规流程，如同为医生配备了一位专业助手，为医生提供病变层面层号，有效减轻医生阅片负担，降低因疲劳或经验不足等导致的漏诊、误诊风险。 后续与常规流程类似，医生根据自身医学知识、原始影像信息、AI辅助信息作出最终判断，根据诊断结果，进行最终影像报告撰写。 由此看出，本产品严格遵循医生现有诊断流程与习惯，无缝融入临床工作，在不改变医生核心工作模式前提下，为医生提供更多辅助诊断信息，实现如前所述临床价值。  本产品名称为神经系统病变磁共振影像辅助诊断软件。 适用范围为本产品适用于符合DICOM 3.0标准的MRI影像的显示、处理和分析，可识别患者颅内情况并进行分类，分类结果分为正常、非肿瘤性病变、肿瘤性病变三大类。产品供经培训合格的用户使用，不能单独用作临床诊疗决策依据。 适用病例为需要头部磁共振影像检查颅内肿瘤性病变或非肿瘤性病变的患者。 操作人群为医疗人员及相关从业者。  在此向各位专家介绍产品主要操作和核心功能 本软件采用B/S结构，医生登录后，自动跳转至产品主页面，产品功能包括辅助诊断、患者管理等多个模块。 此处区域2是已上传的所有患者影像，用于影像浏览和辅助诊断。点击影像可进入查看辅助诊断结果。 辅助诊断结果页面右侧区域4显示影像层面分类结果，中间区域③ 显示原始影像，其余区域提供医生常用阅片工具。 医生参考软件输出的每一个层面的分类结果，使用阅片工具查看影像，结合自身专业知识和经验，最终得出诊断。  结果显示共发现5层肿瘤性病变层面，肿瘤性病变分布在第9到10层、第12到14层。 假设医生点击此处分类结果列表的第9层条目，则影像直接跳转至3个序列的第9层，并展示原始影像。 上图为第9层对应的T1WI、T2WI、T2Flair影像 蓝色箭头所指位置存在肿瘤病变。  本章节进行产品设计及核心算法介绍，主要包括 团队组建、开发流程、需求分析、数据收集、算法设计与训练、验证与确认本产品研发团队组建主要考虑如下因素 团队构成完备性，涵盖医学、软件研发及算法设计等领域。 团队成员专业性，标注团队由正高级职称且经验丰富的医生组成，为模型训练提供可靠医学知识基础；算法人员具备多年医疗影像智能算法设计开发经验；软件开发及测试人员拥有丰富大型软件开发与测试经验。 多学科协同性，团队成员融合多学科知识与技能，建立无缝协作机制，实现优势互补与高效协同。  此处展示的我方产品开发流程，主要包括软件开发策划、需求分析、设计、开发、测试、发布等多个环节。 在整个软件生存周期过程中，严格遵循法规标准，依据此开发流程进行产品开发，确保产品满足安全性、有效性等要求。  产品需求分析以临床实际需求与风险为导向，综合考虑数据合规、充分及多样性，参考相关指导原则并结合临床应用，确定算法依据，选择核心算法、评估指标。使用高质量标注数据进行算法训练，对算法进行性能评估和测试等。  数据收集主要包括数据采集、数据整理、数据标注及数据集构建四个关键部分，其中： 数据采集我方关注保障数据安全性、充分性及多样性。数据整理关注确保样本的科学及合理性。 数据标注质量对算法性能有重要影响，故此标注人员由具有丰富影像诊断经验医生组成，并由多位正高级医生基于数据质控流程，严格进行审核和仲裁。 基于留出法，构建训练集、调优集、测试集，确保两两无交集；  我方数据来自全国独立的6家医院，训练集总数量超过12万张，调优集近1.6万张。内部测试集近1.6万张，多中心测试集近1.4万张。 由具体数据分布可以看出数据很好满足了多样性及充分性，例如核磁设备基本覆盖了机构主流厂商，影像层厚、层数、层间距等参数具备多样化特点，整体数据分布较为均衡。  左图所示为我方的数据标注流程，包括试标注及正式标注流程等。 标注人员由具有丰富影像诊断经验的医生组成，并由多位正高级医生基于质控流程，严格进行审核和仲裁，再次列出相关医生的部分资质说明。  算法设计与训练主要包括算法选择、训练过程、算法优化、算法测试、算法性能评估五个关键部分，其中： 本产品采用基于监督学习的深度学习算法，深度学习已经应用于多个AI辅助诊断产品，理论和临床实践都较为成熟、稳定。 算法采用多次迭代训练，并进行网络结构优化及数据增量训练，及时解决过拟合、欠拟合问题，确保训练充分有效。 针对MRI影像多序列、多维空间特点，进行不同序列特征提取和融合优化。 进行完备的算法测试以及严格算法性能评估，保障算法的准确性、鲁棒性、实时性等。算法核心流程主要包括数据预处理模块、特征提取与融合模块以及分类模块，其中： 数据预处理主要通过归一化保障影像特征的稳定、统一。特征提取与融合模块主要通过多层参数网络提取不同序列特征并进行有机融合，最终通过分类模块，对多维、高层语义特征进行判定，输出当前影像层面的分类概率，得到分类结果上述流程可能有些抽象，我们选取了某个实际肿瘤病变影像，从特征选择角度说明。 医生通常依据自身专业知识及临床经验，对影像特征进行理解和分析，如观察肿瘤大小、形状、信号强度、边缘特征等。经验丰富的医生能更精准地识别特征，也可能会受主观因素和经验局限影响。 算法则是基于此处展现的深度网络复杂建模能力，提取大量（百万、千万级）基础特征，通过多层处理和特征融合，逐步构建出具有医学意义的特征组合。 大量特征经过复杂运算，最终在网络输出层得到每种病变类型的概率值。 由此示例可看出，最终对应肿瘤病变的概率值最大，判定为肿瘤病变。此处展示了算法训练相关流程，主要包括： 网络结构搭建、训练数据输入、模型训练、模型优化、增量数据训练、训练结束等。 主体训练过程为迭代训练，直至表明达到模型最优程度，停止训练。此处展示的调优集测试结果数据，表明根据训练流程进行训练，训练截止时，调优集各指标已满足算法设计目标 同时内部测试集和多中心测试集测试的结果数据表明测试结果均满足算法设计目标及算法具备相应的泛化能力针对产品我方也进行了严格的软件验证及完备的软件确认。根据软件验证和确认结果进行评审，确认各项测试结果均符合既定要求。  本章节介绍生产过程和安全有效性，主要包括： 生产过程控制关键点、产品安全性、产品有效性  本页右侧流程图为我方的生产过程， 其中“光盘刻录”为关键工序，通过对人员的培训和生产设备的验证来进行控制。 整体生产活动无特殊工序针对产品安全性，我方从风险管理、网络安全并结合质量管理体系要求，开展与软件安全性级别相匹配的产品质量保证工作。 风险管理计划包括识别、评估、控制等。 网络安全参考医疗器械网络安全注册技术审查指导原则，针对薄弱环节进行分析，并进行控制，制定应急响应预案  针对产品安全，我们在中检院开展了第三方检测，包括型式检验、漏洞扫描。 检验结论表明我方产品符合既定标准要求。  为了保障和验证产品有效性，我方对产品进行了软件验证与确认操作。所展示的结果表明产品功能同临床需求一致，可满足用户需求和目的。 我方提供了《算法研究报告》，对肿瘤性病变、非肿瘤性病变、正常的三分类等进行了内部测试和评估，测试结果表明达到预期结果。 我方完成多中心临床试验，试验结论为肿瘤患者检出率满足统计学优效假设，非肿瘤患者检出率满足统计学优效假设，正常人检测正确率满足非劣效假设。 上述各项数据表明和验证了产品的有效性。  本章节介绍临床试验设计相关内容，包括： 试验介绍、试验机构、样本量计算、入排标准、入组分布、评价指标确定依据、主要、次要指标以及试验流程、统计方法等，共计11个小标题本次临床试验目的为评价神经系统病变磁共振影像辅助诊断软件的有效性和安全性。 试验设计采用了回顾性、多中心、交叉阅片、对照、影像盲态评估。 试验组别分为试验组，即采用AI辅助阅片模式，对照组，即采用阅片医生独立阅片模式，阅片医生MRI影像诊断工作年限≥1年。金标准组由3人组成，包括2名阅片专家和1名仲裁专家 总样本量以人为单位进行统计，共计1000例，其中肿瘤性病变400例、非肿瘤性病变300例、正常人300例 实际入组样本量以人为单位进行统计，共计1000例，其中肿瘤性病变400例、非肿瘤性病变303例、正常人297例  临床试验机构主要包括组长单位即复旦大学附属华山医院，PI为姚振威主任医师。分中心包括山东第一医科大学第一附属医院，PI为盛华强主任医师。新乡市中心医院，PI为牛永超副主任医师。 阅片研究者共计6人，每个中心各2位。阅片医生平均年资为3.5年。专家组共计3人，每个中心各1位，其中仲裁专家工作年限34年。  本页展示了临床试验样本量计算过程，其中 肿瘤患者采用优效性检验，经过计算，样本量至少为400例。 非肿瘤患者采用优效性检验，经过计算，样本量至少为300例。 正常人采用非劣效检验，经过计算，样本量至少为300例。  本页展示临床试验入选排除标准，其中： 影像入选标准为年龄≥18周岁，性别不限；同时具有颅脑MRI-T1WI，T2WI，T2FLAIR平扫序列影像，满足以下三种情况之一，即可入选：具有肿瘤性病变（胶质瘤、脑膜瘤、脑实质转移瘤）、具有非肿瘤性病变（脑梗、脑出血、脑小血管病）、无异常信号。 影像排除标准包括所示6条。例如：影像不符合DICOM标准，存在严重影响医生阅片和诊断的伪影，存在扫描范围不全或缺层的影像、术后、放化疗后的头颅MRI影像，脑部具有入选标准之外的病变以及研究者认为不适合入组。  本页展示了入组病例分布，包括入组总数量以及各中心入组数量，各中心病例分布均衡。 本页展示入组影像的设备厂家分布情况，设备覆盖了如下厂家：GE、西门子、飞利浦和联影。  本页展示入组影像的每个序列的层数分布，数据表明整体序列层数分布均衡、覆盖度高。临床试验评价指标设计和确定时，主要考虑三个关键因素： 首先是适用范围，产品适用范围为：识别患者颅内情况并进行分类，分类结果分为正常、非肿瘤性病变、肿瘤性病变三大类。 其次参考了相关指导原则及文件，相关原则要求灵敏度、特异度作为主要评价指标。 再就是考虑了临床综合需求，包括以病例为单位、层面为单位时的灵敏度、特异度、准确度、检出率等，以及进行器械易用性评价等。 因此方案中将肿瘤患者检出率（肿瘤患者诊断灵敏度）、非肿瘤患者检出率（非肿瘤患者诊断灵敏度）、正常人检测正确率（正常人诊断特异度）作为主要评价指标。本页展示了本试验的主要评价指标及统计处理方式，其中： 肿瘤患者检出率的计算方式= 肿瘤患者诊断结果与金标准一致的病例数/金标准诊断为肿瘤患者的病例数*100% ，统计处理方式基于[使用AI辅助诊断 - 不使用AI辅助诊断 ]的差值的95%CI下限大于预设优效界值0，实现优效目标。 非肿瘤患者检出率的计算方式= 非肿瘤患者诊断结果与金标准一致的病例数/金标准诊断为非肿瘤患者的病例数*100% ，统计处理方式基于[使用AI辅助诊断 - 不使用AI辅助诊断 ]的差值的95%CI下限大于预设优效界值0，实现优效目标。 正常人检测正确率的计算方式= 正常人诊断结果与金标准一致的病例数/金标准诊断为正常人的病例数*100% ，统计处理方式基于[使用AI辅助诊断 - 不使用AI辅助诊断 ]的差值的95%CI下限大于预设的非劣效界值-8%，实现非劣效目标。本试验次要指标主要包括四个部分； 以病例为单位计算的次要指标，主要是多个统计维度做了计算和补充。 以层面为单位计算的次要指标，为以人为单位的主要指标做了补充。 易用性评价以及安全性评价  本页左侧展示了整体临床试验流程 首先根据入排标准筛选MRI影像，筛选成功赋予入组号，之后进行数据清洗与脱敏、编号。MRI影像筛选子流程执行时，各中心连续地收集既往产生的脑部MRI影像数据，并根据入排标准与诊断报告筛选图像。 对于入组成功的数据，确定专家金标准，专家组由三位高年资医师组成，其中两人为标记医师，一人为仲裁医师。由两名标记医师背对背独立标记，意见不一致时由仲裁医师仲裁。 之后多家中心进行多轮、交叉独立阅片及AI辅助阅片，分为两个阶段。第一阶段阅片完成后，需要间隔28天洗脱期后进行第二轮阅片。每位医生两轮阅片数量共计2000例，整体试验共计阅片数量为12000例。 最终整体阅片结果经由汇总、答疑等，进行统计分析、试验总结。  本页对临床试验统计方法进行描述，包括 一般原则，统计分析采用SAS9.4或以上版本统计软件，采用双侧检验等。总结各中心入组及完成病例数，列出未完成病例清单及未进入FAS和PPS的病例清单。 基于FAS对入组人群的人口学信息进行描述。 主要评价指标选择有效性检验、非劣效检验。次要评价指标选择适用的描述指标和假设检验方法。以发生数和发生率描述器械故障发生情况。本章节主要描述本次临床试验结果，主要包括： 临床试验结论、主要指标、次要指标、易用性、安全性说明以及存在的方案偏离。本试验为回顾性、多中心、交叉阅片、对照、影像盲态评估设计，共入组1000例颅脑MRI影像，其中肿瘤患者影像400例，非肿瘤患者影像303例，正常人影像297例，主评价指标为肿瘤患者检出率、非肿瘤患者检出率、正常人检测正确率，其中 肿瘤患者检出率指标对照组数值为79.83%，试验组数值为93.29%。试验组与对照组差值为13.46%。 95% CI下限为11.57%，表明肿瘤患者检出率满足统计学优效假设。 非肿瘤患者检出率指标对照组数值为74.26%，试验组数值为92.46%。试验组与对照组差值为18.21%。 95%CI下限为15.86%，表明非肿瘤患者检出率满足统计学优效假设。 正常人检测正确率指标对照组数值为93.94%，试验组数值为94.22%。试验组与对照组差值为0.28%。95%CI下限为-1.27%，表明正常人检测正确率满足统计学非劣效假设。 上述试验结果表明试验成功（满足既定试验目标）本页从分中心角度展示主要指标试验结果 这是肿瘤患者检出率分中心结果 这是非肿瘤患者检出率分中心结果  这是正常人检测正确率分中心结果本页展示次要评价指标，包括 患者诊断准确度 AI 独立预测的肿瘤患者检出率、非肿瘤患者检出率、正常人检测正确率本页展示非肿瘤患者诊断的灵敏度、特异度次要指标，包括： AI 辅助阅片与医生独立阅片非肿瘤病变患者检出灵敏度、特异度情况 AI独立预测与医生独立阅片非肿瘤病变患者检出灵敏度、特异度情况本页展示神经系统病变诊断的灵敏度、特异度次要指标，包括： AI 辅助阅片与医生独立阅片神经系统病变（肿瘤、非肿瘤）诊断灵敏度、特异度情况 AI 独立预测与医生独立阅片神经系统病变（肿瘤、非肿瘤）诊断灵敏度、特异度情况本页展示AI辅助阅片与医生独立阅片患者诊断的准确度次要指标，包括： AI辅助阅片与医生独立阅片患者诊断的准确度情况-层面为单位 AI独立预测与医生独立阅片患者诊断的准确度情况-层面为单位本页展示肿瘤层面检出率（灵敏度次要指标），包括： AI 辅助阅片与医生独立阅片肿瘤患者检出率灵敏度情况-层面为单位 AI 独立预测与医生独立阅片肿瘤患者检出率灵敏度情况-层面为单位本页展示非肿瘤层面检出率（灵敏度）次要指标，包括： AI 辅助阅片与医生独立阅片非肿瘤患者检出率灵敏度情况-层面为单位 AI 独立预测与医生独立阅片非肿瘤患者检出率灵敏度情况-层面为单位本页展示正常层面检测正确率（特异度）次要指标，包括： AI 辅助阅片与医生独立阅片正常人检测正确率特异度情况-层面为单位 AI 独立预测与医生独立阅片正常人检测正确率特异度情况-层面为单位本页展示本次试验结果的易用性评价，指标数据表明结果基本都是满意的。本页表明试验期间未发生不良事件和严重不良事件。试验期间也未发生器械缺陷。本试验中共发生43例（4.30%）方案偏离，主要是在后期的核查中，发现有43例受试者符合排除标准第4条和第5条，经过主要研究者、统计方、申办方确认后，其不影响阅片结果，均纳入FAS集、PPS集、SS集。本章节主要就2025年4月24日，我方收到的《关于召开专家咨询会相关事项的通知》中提及的需要回答的“咨询问题” 进行解释。共有5个大类问题。当前子问题为1.1 即申报产品算法学习原理及训练等是否足够支持辅助医生给出非肿瘤和肿瘤病变的判断？我们从算法原理及训练过程两个角度阐述：首先产品采用深度学习算法作为核心算法，深度学习算法的成熟性、准确性、适用性为辅助医生判断提供了理论支撑。目前市场中已经通过审评的AI辅助类产品已经有较为广泛的应用，其成熟性、准确性也得到验证。深度学习的复杂建模能力也对MRI复杂影像的诊断具备良好适用性。其次我们也参考了深度学习辅助决策医疗器械软件审评要点，保障了产品训练数据具备充分性、多样性，训练过程采用多轮迭代、优化过程，并经过严格的算法测试及评估，为辅助医生给出非肿瘤和肿瘤病变的判断提供全面、科学过程支撑。当前子问题为1.2即临床影像科室在阅片和出具报告时，目前有无相应公认的报告规范或者指南？如本页PPT左侧所示为临床影像科室医生工作概要流程。临床影像科室阅片和出具报告流程一般会根据医院规定、疾病类别，参考相关指南和规范进行制定，应该没有强制性公认的报告规范或者指南如本页PPT所示不同医院的肿瘤及非肿瘤患者MRI影像报告内容，由此可以看出不同的医院都有自己的书写规范，但并非完全一致。当前子问题为1.3即软件实际输出内容如果为非肿瘤和肿瘤病变提示，临床影像科室是否有权限依据影像内容输出非肿瘤和肿瘤病变提示？我方产品以符合DICOM3.0标准的颅脑MR影像作为输入，输出每张MR影像病变分类结果，其中病变分类结果指的是“肿瘤性病变”和“非肿瘤性病变” 产品供经培训合格的用户使用，不能单独用作临床诊疗决策依据。用于辅助医生做出诊断。故此临床影像科室医生有权限依据影像实际内容书写报告，输出对应非肿瘤和肿瘤病变提示当前子问题为1.4即该产品的临床定位和临床意义是什么？我方产品定位于临床辅助诊断，在临床影像科室医生工作流程为医生提供层面分类结果，辅助医师做出判断。我方产品具备多重临床意义， 辅助医生识别阳性病变，降低漏诊率。 辅助医生提升鉴别复杂或者相似疾病的能力，降低误诊率。 辅助医生提高诊断效率，产品提示影像逐层分类结果，使医生有更多的时间和精力集中分析和诊断，提高诊断效率。 辅助提升诊断稳定性、一致性，避免因医生经验不足或者压力导致的误诊或漏诊。有助于提升整体诊断水平和质量。当前子问题为1.5即产品临床实际用途是否是对颅内肿瘤性病变的筛查？该产品临床受益和风险应考虑哪些方面？从我方申报产品的适用范围以及临床受益可表明，我方申报产品的临床实际用途不是对颅内肿瘤性病变的筛查，而是辅助医师的阅片诊断过程，提供患者颅内MRI影像分类结果及阅片工具。产品临床风险主要考虑为假阳性和假阴性对医生的误导及用户操作不规范导致的风险。我方对已知及可以预测的风险采取了风险控制措施。分析表明，用户按照产品说明书使用产品，在正常使用条件下产品可达到预期性能。申报产品受益大于风险，综合剩余风险可接受。当前子问题为2.1即临床试验的入排标准是否能支持适用范围中宣称的内容？适用范围明确了肿瘤性病变只包含胶质瘤、脑膜瘤、脑实质转移瘤三大类，非肿瘤性病变只包含脑梗、脑出血、脑小血管病三大类。影像入选标准“3A”明确“具有肿瘤性病变（胶质瘤、脑膜瘤、脑实质转移瘤）”方可入选，影像入选标准“3B”明确“具有非肿瘤性病变（脑梗、脑出血、脑小血管病）”方可入选，同时影像排除标准“5”中明确“脑部具有除胶质瘤、脑膜瘤、脑实质转移瘤、脑梗、脑出血、脑小血管病之外的其他病变。”时需要排除。因此入排标准能支持适用范围中宣称的内容当前子问题为2.2即入组的病变类型、程度是否能代表全部肿瘤和非肿瘤病变？我方适用范围表明产品适用病变为正常、非肿瘤性病变（脑梗、脑出血、脑小血管病）、肿瘤性病变（胶质瘤、脑膜瘤、脑实质转移瘤）三大类。临床试验入组数据统计表也表明本次试验入组病变类型、程度满足了产品适用范围宣称的全部肿瘤和非肿瘤病变。当前子问题为2.3即是否存在临界病变、易混淆病变的情况？ “临界病变、易混淆病变” ：一般指富有经验的医生也容易误诊的病变，或者再如介于肿瘤和非肿瘤之间。我方临床试验入排标准表明本试验允许入组所有符合胶质瘤、脑膜瘤、脑实质转移瘤、脑梗、脑出血、脑小血管病的病例，未特别限制例如病变大小、程度等。仅排除不属于适用范围内“其他病变”，未对适用范围内临界病变和易混淆病变进行特别排除。同时我方试验筛片流程表明筛片严格按照既定标准执行，按顺序逐例进行病例筛选入组，过程中没有限制临界病变或易混淆病变入组。最后本页所展示的试验数据，也表明本次临床试验结果成功。证实了本产品在真实世界的有效性与鲁棒性，支持适用范围宣称。如之前所示，此影像来自真实世界的测试集，诊断结果也表明了产品在真实世界的有效性。当前子问题为2.4即各种类型的病变是否全部需要涵盖？我方适用范围表明产品适用于正常、非肿瘤性病变（脑梗、脑出血、脑小血管病）、肿瘤性病变（胶质瘤、脑膜瘤、脑实质转移瘤）三大类。基于入组标准，临床试验实际数据的数据分布表明了：本次试验实现了软件适用范围宣称的三个类别病种全覆盖，同时肿瘤中的胶质瘤、脑膜瘤、脑实质转移瘤，非肿瘤中的脑梗、脑出血、脑小血管病分布均衡。当前子问题为2.5即是否在临床试验纳入阳性病灶中有最低样本量的要求？我方依据主要评价指标，按照病例为单位计算了本试验需纳入的最低样本量。左侧信息为我方计算时的各类统计假设，并按照统计方法进行计算。计算结果为肿瘤患者最低样本量为400例，非肿瘤患者为300例，正常人为300例。由于一个阳性病例至少包含一个阳性病灶，故此病灶数量大于病灶最低样本量，所以试验纳入的样本量满足病灶最低样本量的要求。当前子问题为2.6即是否应单独评价或进行分层分析以说明结果的代表性和覆盖性？针对此问题，我方以本软件适用范围宣称的“肿瘤性病变、非肿瘤性病变及正常人”三大类所包含的具体种类即“脑膜瘤、胶质瘤、脑实质转移瘤、脑梗、脑出血、脑小血管病、正常人”共计7小类进行分层分析。本页所示的小类别临床试验结果及统计分析结果为: 除正常类别外，其余类别均显示AI辅助阅片与独立阅片差异有统计学意义（p<0.05），且95%CI下限大于0，说明AI辅助阅片灵敏度优于独立阅片。由此可见，本试验小类别病种的临床试验结果都满足病变的优效检验目标。从而也表明本试验主要指标的结果具备代表性和覆盖性要求当前子问题为3.1即产品的临床试验设计为肿瘤患者检出率、非肿瘤患者检出率和正常人检测正确率,该设计是否能证明产品的临床宣称？我方临床试验在设计时综合考虑了法规标准、统计学逻辑以及临床医学实践等多个领域特性和要求。临床试验阶段按照前述通过最低样本量计算，保障研究目的可达。过程中基于宣称范围严格按照入排标准入组，保障试验数据的有效性和充分性。临床试验结果表明肿瘤性病变实现优效，非肿瘤性病变实现优效、正常人实现非劣效。从上述设计以及临床试验结果表明：本临床试验的设计证明了本产品的临床宣称。当前子问题为3.2即主要评价指标是否合理？我方产品适用范围为识别患者颅内情况并进行分类，分类结果分为正常、非肿瘤性病变（脑梗、脑出血、脑小血管病）、肿瘤性病变（胶质瘤、脑膜瘤、脑实质转移瘤）三大类。主要评价指标设计时参考了已经颁布的《深度学习辅助决策医疗器械软件审评要点的通告》和《医疗器械临床试验指导原则》，要求灵敏度、特异度作为主要评价指标。同时也从临床角度做了综合考量，全面兼顾产品适用范围及审评要点的要求。从上述描述可以表明：本产品的主要评价指标是具备合理性的。当前子问题为4.1即目前临床试验为回顾性研究设计的合理性？我方试验方案为回顾性研究，主要在如下2个方面考虑：第一我方参考《深度学习辅助决策医疗器械软件审评要点的通告》的要求，“临床评价可采用基于现有历史数据的回顾性研究”以及已获证AI产品的试验设计。第二我方产品定位辅助诊断软件，辅助医生识别病变，提供每张MR影像的分类结果。产品的处理对象为符合DICOM3.0标准的脑部MR影像。申报产品基于影像辅助医生工作，在回顾性研究与前瞻性研究上无差异。综上所述，临床试验设计为回顾性研究。此外：我方在回顾性研究设计也考虑了如何避免可能存在的偏倚，包括选择偏倚、记忆偏倚、影像顺序偏倚等，并参考指导通告采用多中心试验设计。当前子问题为4.2即阴性样本定义的合理性如非肿瘤病变主评价的阴性样本为正常人的合理性？我方产品适用范围为识别患者颅内情况并进行分类，分类结果分为正常、非肿瘤性病变、肿瘤性病变三大类。基于上述适用范围，本临床试验主评价指标设计时综合考虑了临床试验、统计学逻辑以及临床医学实践等多个领域特性和要求，在设计主评价指标阴性样本和阳性样本时，重点考虑能否有效地验证主评价指标性能。本试验设计非肿瘤病变主评价指标时，重点关注验证产品对非肿瘤性病变的检出能力。在此前提下将“正常人”作为阴性样本，因为正常人没有颅内神经系统病变，既不是非肿瘤性病变也不是肿瘤性病变，而非肿瘤性病变本身就是阳性样本。故此，将正常人作为阴性样本目前是可以满足对非肿瘤病变主评价要求的，具备合理性。此外，本产品定位三分类，从统计分析角度，基于将非肿瘤病变作为阳性，将肿瘤及正常作为阴性进行了统计分析，结果表明辅助阅片与医生独立阅片、AI独立预测与医生独立阅片的特异度95%CI下限大于0，两组优效检验有统计学意义，P<0.0001。当前子问题为4.3即结合申报产品的宣称和界面输出，是否应增加脑梗、脑出血、脑小血管病、胶质瘤、脑膜瘤、脑实质转移瘤各个病种的准确性作为主要评价指标？产品的适用范围为对患者颅内情况进行三分类，分类结果分为：正常、非肿瘤性病变、肿瘤性病变。只是对肿瘤和非肿瘤涵盖的范围做了限制，不包含除适用范围以外的其他类型，并不宣称小类。产品界面只输出3种分类结果：正常、非肿瘤性病变、肿瘤性病变。不输出具体各个病种。当前问题为：适用范围、适用人群结合入排标准如何进一步规范？说明书如何规范？我方产品对患者颅内MR影像进行三分类，考虑到肿瘤性病变及非肿瘤性病变涵盖甚广，结合产品研发背景，在适用范围中规范了肿瘤性病变和非肿瘤性病变涵盖的具体病种，对适用范围进行明确的限定。此外，临床试验入组时，肿瘤性病变类别只入组胶质瘤、脑膜瘤、脑实质转移瘤；非肿瘤性病变类别只入组脑梗、脑出血、脑小血管病。入组的全部病种的病例数量分布均衡，以验证适用范围的宣称。临床试验结束之后，试验结论及安全性信息已补充至说明书中。本页列示了本次汇报相关的参考文献。以上为本次汇报的全部内容，感谢各位专家聆听。