FDA 最近更新的 AI-Enabled Medical Devices 頁面，表面上像是一份產品清單：哪些 AI 醫療裝置已經取得美國上市許可、屬於哪個公司、哪一天做出 final decision。但真正值得看的是清單前面的說明。FDA 明白寫下，為了提高現代 AI 技術使用上的透明度，未來會探索方法，去辨識並標註納入 foundation models 的醫療裝置，範圍從大型語言模型到多模態架構。這不是單純多加一欄表格，而是監管機關開始承認：醫療 AI 的問題，正在從「有沒有核准」變成「裡面到底用了哪一種模型」。
過去幾年，醫療 AI 大多以影像判讀、量測、分診輔助和手術規劃的形式進入 FDA 清單。npj Digital Medicine 去年整理 1,016 筆 FDA AI/ML 相關授權時，也發現影像仍是最大宗，當時被檢視的裝置中還沒有 LLM。這讓 FDA 現在提到 LLM 標註更像提前鋪路：不是說聊天型模型已經全面進入醫療裝置，而是監管機關知道下一波產品可能會把語言、影像、病歷摘要、臨床建議和工作流自動化綁在一起，若還只用傳統產品代碼和簡短摘要來描述，醫院很難看清楚風險。
這件事對醫院採購部門尤其敏感。買一套 AI 影像輔助工具，和買一套會讀報告、生成摘要、呼叫資料庫、甚至建議下一步處置的系統，治理方式不會相同。前者的風險常常集中在資料集、敏感度、特異度、臨床場景和版本變更；後者還會多出 prompt、上下文管理、資料外洩、幻覺、權限串接、責任歸屬與使用者過度信任。若 FDA 未來真的把 foundation model 或 LLM 功能標出來，這個標籤會成為醫院法遵、資安、資訊室和臨床科部共同讀的採購訊號。
Health-ISAC 對 FDA AI 醫療裝置草案的解讀，也把焦點放在這種「會變動的軟體」上。它提到 model drift、bias、data poisoning，以及 predetermined change-control plans、監測、測試與可稽核性。換句話說，醫療 AI 不是送審通過後就永久固定的機器，它更接近一個需要持續管理的臨床軟體生命週期。當 foundation model 進入裝置，這個生命週期又會變得更複雜，因為同一個底層模型可能服務多個功能，更新一次就牽動多個臨床流程。
對病人來說，透明度的意義更直白：他們需要知道眼前的診斷、影像重建、風險分數或文字摘要，究竟是傳統演算法、窄域深度學習模型，還是能處理語言與影像的基礎模型參與其中。這不代表病人必須讀懂模型架構，而是醫療體系需要能清楚說明 AI 扮演了什麼角色、醫師如何覆核、出錯時如何追溯。若一套系統只是幫助影像變清楚，和一套系統主動產生臨床文字建議，病人的知情與信任門檻本來就不同。
這也是為什麼 FDA 的用語仍然保守。它沒有說已經建立強制 LLM 標籤制度，而是說會探索方法，也鼓勵廠商在公開摘要中提供足夠資訊，讓未來清單更容易辨識相關功能。這種寫法留了空間，卻也給業界一個方向：如果產品把基礎模型包進醫療裝置裡，不能只把它說成一般 AI enhancement。公開資料、審查摘要和上市後監測，都需要更精細地描述模型能力與限制。
產業面上，這會改變醫療 AI 新創和大型醫材公司的敘事。過去最有力的銷售語言可能是「FDA-cleared」或「AI-powered」；接下來，買方會追問模型是如何訓練、如何更新、是否可本地部署、是否會把病歷送到外部服務、是否能把輸出拆解給醫師驗證。能把模型治理說清楚的公司，反而可能比單純喊多模態或 LLM 的公司更容易進入醫院。醫療場景不像一般辦公室工具，失誤不是退回重寫，而是可能改變照護路徑。
所以這份清單的訊號，不在於又多了幾個 AI 裝置，而在於 FDA 正在準備替下一代醫療 AI 做分類語言。當模型從判讀影像走向理解文字、整合多模態資料和推動臨床工作流，醫療系統需要的不是更漂亮的 AI 標籤，而是能被採購、法遵、資安、醫師和病人共同使用的透明度。未來醫院買 AI，買的將不只是核准名單上的一個產品名稱，而是一整套能否被稽核、更新、追責與信任的模型治理能力。
參考來源