医疗 AI 责任归属引争议，学者提议七级分级框架

随着 AI 在医院与诊所加速渗透，医疗 AI 的责任归属正在成为无法回避的难题。当 AI 模型从辅助走向决策，从可解释走向黑箱，现有的医生、机构、厂商与监管者之间的责任划分框架将被打破。近期发表于权威学术期刊的研究文章系统梳理了这一问题，并提出借鉴航空与自动驾驶领域经验、按能力等级对医疗 AI 进行分级监管的方案。

现有责任体系为何失效

传统医疗责任链相对清晰：临床医生须提供合规诊疗，医疗机构负责流程安全，厂商交付无缺陷的医疗器械，监管与司法机构在出现损害时判定责任主体。然而新一代 AI 工具正在模糊这一边界。

• 部分工具已从「数据合成」走向「自主行动」，可独立完成诊断、制定治疗方案或做出患者管理决策，临床医生介入度显著降低。
• 深度学习模型属于黑箱推理，医生难以复盘其判断过程，即使模型提供解释也难以验证。
• 当决策由人与不透明模型共同做出，损害发生后难以清晰归责。

结果是责任真空的出现：患者难以追责，医院为规避法律风险倾向于弃用有用 AI 功能，AI 厂商则可能在上市后放松安全监测。研究指出，医生群体反复将法律责任风险列为安全采用 AI 的主要障碍。

三维度构成能力分级基础

研究者参考航空器与自动驾驶汽车的分级思路，提出医疗 AI 应基于三项关键属性评估风险等级。

• 自主性（autonomy）：系统能否脱离人类输入独立推理。传统败血症风险模型自主性低，而深度学习诊断系统可从数千变量中推断结论，临床医生难以追溯。
• 自动化（automation）：系统可独立执行的任务范围，从外科医生操控的辅助机器人，到直接向药房发送化疗处方的全自动系统。
• 运行范围（operational scope）：系统被允许运行的边界。同样是视网膜影像工具，由专科眼科复核与由基层诊所自主决定是否转诊，风险等级截然不同。

这三项属性组合后，可以将医疗 AI 系统划分为七个能力等级，从「仅做信息展示」的 Level 0 到具备高自主性、广自动化、宽运行范围的顶层 AI。同一工具因部署环境与使用者不同，可能落在不同等级。

从分级走向分级监管

研究者给出的 Level 0 与 Level 1 示例说明，分级体系的目标是把抽象的「责任模糊」拆解为可操作的监管接口。

• Level 0（信息型）：无自主性、自动化可变、运行范围窄，如电子病历管理算法、可穿戴设备数据流。算法行为透明、输出可独立验证，沿用现有医疗器械与数据保护规则即可。
• Level 1（辅助型）：自主性低、自动化低至中等、运行范围窄，如心电监护异常节律告警、肺部扫描结节提示。算法推理可能不透明，但临床复核或可解释性技术仍能验证输出。当前按诊断辅助器械监管，医院需确保使用者了解工具局限。

文章在 Level 1 之后截断，但研究方向已十分明确：对更高等级的医疗 AI，监管者需要像对待航空器与自动驾驶系统一样，明确「系统必须执行哪些任务」「以何种独立程度执行」「人在何时必须接管」，并据此划分厂商、机构与医生的责任区间。

对产业与监管的启示

这一框架对国内正在推进的医疗 AI 备案与审评同样具有参考价值。AI 厂商在产品定位阶段就应回答「我的工具属于哪一级」「在何种临床场景下被使用」「人类介入的边界在哪里」；医院在采购时也应将能力等级与责任分配写入合同条款；监管机构则可参考这一思路，将「等级」嵌入审批与上市后监测要求，从源头压缩责任真空空间。

医疗 AI 具备改善诊疗的巨大潜力，但只有在数据流向、责任分配与监管接口都被清晰定义后，才有可能真正落地。分级框架的价值，正是把模糊的信任问题翻译成可逐级评估、可逐层追责的技术与管理语言。