兽医学中人工智能的监管
Matthew D. Winter, DVM
关键词
人工智能(AI) · 兽医监管 · FDA CVM · 欧盟 AI 法案 · 通用数据保护条例(GDPR) 机器学习 · 职业责任 · 兽医信息学
核心要点
• 兽医人工智能(artificial intelligence, AI)工具正在上市和部署中,无需上市前监管批准,这与人类医学中的同类产品不同。
• 多个兽医专业组织(美国兽医放射学院/欧洲兽医影像诊断学院、美国州兽医委员会协会、美国兽医医学协会)已发布立场声明、白皮书或成立工作组应对 AI,其共识原则是 AI 应辅助而非取代兽医判断。
• 欧盟 AI 法案、英国的创新导向框架和美国监管方法代表了三种不同的 AI 治理哲学,各自对兽医专用工具的适用性尚不清楚。
• 使用 AI 工具时,兽医仍对临床决策和病历准确性承担全部责任,即使供应商性能声明未经验证,也产生职业责任。
• 从业者在采用 AI 工具时应进行尽职调查,在将 AI 整合到临床工作流程之前,要求其在训练数据、验证研究、性能指标和数据所有权与安全方面保持透明。
缩略词表
| 缩写 | 全称 |
|---|---|
| ACVR | 美国兽医放射学院(American College of Veterinary Radiology) |
| AI | 人工智能(Artificial Intelligence) |
| AAVSB | 美国州兽医委员会协会(American Association of Veterinary State Boards) |
| AVMA | 美国兽医医学协会(American Veterinary Medical Association) |
| BVA | 英国兽医协会(British Veterinary Association) |
| CE | 欧洲合格认证(Conformité Européenne) |
| CLAIM | 医学影像人工智能清单(Checklist for Artificial Intelligence in Medical Imaging) |
| CVM | 兽药中心(Center for Veterinary Medicine) |
| ECVDI | 欧洲兽医影像诊断学院(European College of Veterinary Diagnostic Imaging) |
| EU | 欧盟(European Union) |
| FDA | 食品药品监督管理局(Food and Drug Administration) |
| GDPR | 通用数据保护条例(General Data Protection Regulation) |
| GMLP | 良好机器学习规范(Good Machine Learning Practice) |
| JAVMA | 美国兽医医学协会杂志(Journal of the American Veterinary Medical Association) |
| PMA | 上市前批准(pre-market approval) |
| RCVS | 皇家兽医外科学院(Royal College of Veterinary Surgeons) |
| SaMD | 作为医疗设备的软件(Software as a Medical Device) |
| SAVY | 兽医学人工智能研讨会(Symposium on Artificial Intelligence in Veterinary Medicine) |
| VMD | 兽药管理局(Veterinary Medicines Directorate) |
引言
在过去 5 年中,人工智能(artificial intelligence, AI)在兽医学中的整合显著加速。从自动化 X 线影像判读到 AI 辅助细胞学筛查,再到 AI 生成的病历,这些工具正日益嵌入专科和全科临床环境中的临床工作流程。根据美国动物医院协会和 Digitail 于 2024 年对近 4000 名兽医专业人员进行的调查,约 83% 的受访者表示熟悉 AI,近 30% 表示他们已经每天或每周在实践中使用 AI[1]。各年龄段的兽医都对 AI 语音转文字工具表现出特别的热情,这些工具可以转录客户对话并将信息整合到患者病历中[1]。
这种快速采用速度超过了专门针对兽医学的综合监管框架的发展,形成了一个以不确定性、标准不一和依赖职业自律为特征的格局。与人类医学不同,人类医学中食品药品监督管理局(FDA)通过其"作为医疗设备的软件"(Software as a Medical Device, SaMD)框架为医疗 AI 设备制定了广泛的指南,而兽医学在 AI 应用方面几乎没有直接监管监督。FDA 的兽药中心(Center for Veterinary Medicine, CVM)传统上专注于药物、生物制品和物理设备,而非基于软件的诊断工具[2],留下了监管真空,引发了关于验证、安全性、责任和护理标准的重要问题。
鉴于临床决策可能导致安乐死,且经济约束影响治疗决策,未经验证的 AI 辅助诊断的风险在兽医学中可以说比人类医学的某些领域更高——然而监管监督基本不存在[3]。本文探讨兽医学中 AI 的当前监管环境,涵盖美国、欧盟(EU)和英国。它探讨了专业组织、行业自律和法律先例在塑造 AI 工具如何验证和部署方面的作用。它还考察了三个快速扩展的兽医 AI 领域——病历记录、诊断影像判读和细胞学诊断——作为案例研究,说明监管差距在哪里感受最强烈。最后,它为兽医专业人员提供了应对这一不断发展的格局的实践指导,并提出了未来监管发展的方向。
监管框架:人类医学与兽医学的对比
人类医学监管方法
在美国,FDA 通过其 SaMD 指南建立了一个全面的框架,用于监管 AI 和基于机器学习的医疗设备。
这种基于风险的分类系统根据 AI 工具所针对疾病的严重程度以及它们为医疗决策提供信息的重要性对其进行分类。高风险 AI 设备需要上市前批准(pre-market approval, PMA)或 510(k) clearance,包括提交证明安全性和有效性的临床验证数据。FDA 还制定了预先确定的变更控制计划,允许自适应 AI/ML 系统在预先指定的范围内进行修改,而无需每次更新都提交新的监管申请[2]——这承认了机器学习算法的快速和迭代性质,以避免扼杀 AI 领域的快速创新。
与加拿大卫生部和英国药品和医疗产品监管局合作,FDA 于 2021 年发布了良好机器学习规范(Good Machine Learning Practice, GMLP)指导原则[4],并于 2024 年发布了机器学习驱动医疗设备透明度指南。这些文件强调了代表性训练数据、整个开发过程中的临床专家参与、稳健的错误报告以及向终端用户清晰传达设备能力和局限性的重要性[5]。
兽医学监管现实
在美国,FDA 的 CVM 在法律上有权监管兽医实践中使用的 AI 工具,但目前不对诊断 AI 软件行使这一权力。兽医诊断 AI 没有正式的批准途径,没有上市前筛查要求,也没有强制性的上市后监测。这与人类医学框架形成鲜明对比,截至 2025 年,FDA 已 clearance 或批准了超过 1000 种 AI 驱动的医疗设备[2]。
FDA 在人类医学与兽医学方法的比较总结在表 1 中。CVM 已开始发展内部能力和对 AI 的认识,但兽医 AI 产品的正式监管似乎还需要数年时间,即使会到来。这种监管真空意味着兽医 AI 工具可以在没有独立验证、透明度要求、性能标准或上市后监测的情况下上市。
表 1 监管监督对比——人类医学与兽医学人工智能
| 方面 | 人类医学(FDA) | 兽医学(FDA-CVM) |
|---|---|---|
| 上市前批准 | 大多数 AI/ML 设备需要(510(k)、PMA 或 De Novo 途径) | 不需要;无正式途径 |
| 临床验证 | 强制性;必须证明安全性和有效性 | 自愿;依赖供应商自我报告 |
| 上市后监测 | 要求;强制不良事件报告 | 无要求 |
| 透明度标准 | 已发布 GMLP 和透明度指导原则 | 无兽医专用标准 |
| 自适应 AI 更新 | 预先确定的变更控制计划允许结构化更新 | 无算法变更监督 |
| 已 clearance/批准设备数量 | 截至 2025 年超过 1000 种 AI 驱动设备 | 零种正式监管设备 |
这一监管真空的影响是重大的。从业者必须依赖供应商提供的性能声明,这些声明可能无法反映真实世界的临床准确性,并且没有监管机制或第三方评估机构将性能不佳的产品从市场上移除。
国际监管格局
欧盟
欧盟 AI 法案于 2024 年 8 月生效,分阶段实施至 2027 年,建立了世界上第一个全面的 AI 治理法律框架。它采用基于风险的分类系统,将 AI 系统分为最小风险、有限风险、高风险或不可接受风险,并相应规定监管义务。高风险 AI 系统——包括医疗设备和诊断工具——面临最严格的要求,包括合格评定、CE(Conformité Européenne,即"欧洲合格")标志、技术文档、人类监督条款以及在欧盟数据库中的注册[6]。
该法案对兽医 AI 的适用性尚不明确。虽然《医疗器械法规》明确涵盖用于人类的设备,但欧盟 AI 法案更广泛的范围可能涵盖任何在专业环境中部署的、可能对健康或安全构成风险的 AI 系统。影响治疗决策的兽医诊断 AI——特别是安乐死决策——可以说属于高风险类别,尽管没有正式指南解决这一问题。《兽用药品法规》(EU)2019/6 现代化了兽药和生物制品的监管框架,但未具体涉及 AI 驱动的诊断工具[7]。
英国
脱欧后,英国采取了独特的"创新导向"AI 监管方法。英国政府没有制定单一的综合性 AI 法律,而是指示现有的各行业监管机构在其领域内应用 AI 原则。这一框架在 2023 年 AI 监管白皮书中概述,确立了五项跨领域原则:安全、保障和稳健性;适当的透明度和可解释性;公平性;问责和治理;以及可竞争性和救济[8]。
对于兽医学,兽药管理局(VMD)监督药品和一些设备监管,而皇家兽医外科学院(RCVS)管理职业标准。这两个机构都尚未发布关于兽医实践中 AI 的正式指南,尽管相关工作正在积极进行中。代表英国超过 19000 名兽医专业人员的英国兽医协会(BVA)截至 2026 年初尚未发布正式的 AI 立场声明,尽管英国兽医实践中 AI 工具的采用速度很快。这种缺乏具体监管或职业指导的情况意味着,英国兽医从业者面临着与美国同行类似的监管真空,尽管他们在一个至少承认 AI 跨行业影响的哲学框架下运作。
比较要点
美国、欧盟和英国代表了三种哲学上不同的 AI 监管方法:美国在强大的人类医学框架下对兽医专用监督极少;欧盟有全面立法,但其对兽医 AI 的适用性仍不清楚;英国有基于原则的指南,尚未转化为兽医专用标准。这三个司法管辖区都有一个共同的现实:兽医 AI 工具目前在很大程度上不受监管的空间中运作。这些方法总结在表 2 中。
表 2 兽医学中 AI 的国际监管方法
| 司法管辖区 | 监管机构 | 方法 | 关键要求 | 兽医适用性 |
|---|---|---|---|---|
| 美国 | FDA-CVM | 极少监督 | 无上市前批准;无上市后监测 | 目前未行使;CVM 正在发展内部 AI 能力 |
| 欧盟 | 欧盟 AI 法案 + 各国机构 | 全面基于风险 | 高风险 AI 需合格评定、CE 标志、技术文档 | 不明确;兽医诊断 AI 可被归类为高风险,但无正式指南 |
| 英国 | VMD、RCVS(行业监管机构) | 基于原则、创新导向 | 现有监管机构应用五项跨领域原则 | 无兽医专用指南发布;BVA 和 RCVS 尚未发布 AI 立场声明 |
数据隐私和安全法规
通用数据保护条例与兽医人工智能
欧盟的通用数据保护条例(GDPR)对兽医 AI 具有重大影响,尽管其应用需要仔细分析。虽然动物患者数据在 GDPR 下不被视为个人数据,但客户信息——包括姓名、联系方式、财务信息,以及越来越多的由 AI 记录工具捕获的记录诊室对话——显然属于其范围。使用处理客户数据的 AI 工具的兽医诊所必须遵守 GDPR 的核心原则:合法性、公平性、透明度、目的限制、数据最小化、准确性、存储限制以及完整性和保密性。
与兽医 AI 相关的关键 GDPR 义务包括:为处理建立合法基础(通常是合法利益或同意);提供清晰的隐私通知,解释 AI 工具如何处理客户数据;尊重数据主体权利,包括访问、更正、删除和可移植性;对高风险处理活动进行数据保护影响评估;以及在 Schrems II 判决后确保跨境数据传输的充分保障。如果 AI 系统做出具有法律或类似重大影响的自动化决策,诊所还必须考虑 GDPR 第 22 条下的"解释权"。
美国数据隐私格局
美国缺乏与 GDPR 相当的综合性联邦数据隐私法。兽医诊所不受《健康保险流通与责任法案》的约束,该法案仅适用于人类医疗。州级法规,如《加州消费者隐私法》以及科罗拉多州、康涅狄格州、弗吉尼亚州和其他州的类似法律,可能适用于兽医诊所,具体取决于其规模、数据处理活动和运营所在州。美国数据隐私监管的拼凑性质给跨多个州运营的兽医 AI 供应商和多点执业诊所带来了合规挑战。
英国通用数据保护条例
英国在脱欧后保留了自己版本的 GDPR(UK GDPR),与 2018 年《数据保护法》并行运作。英国与欧盟的数据充分性地位(需定期审查)允许英国和欧盟兽医诊所及 AI 供应商之间继续进行数据流。然而,这一充分性决定不是永久性的,英国数据保护标准的任何分歧都可能使跨境兽医 AI 服务复杂化。
兽医实践中的人工智能应用:新出现的监管挑战
三个应用领域展示了兽医 AI 部署的广度,并提出了不同的监管考量:诊断影像、病历记录和细胞学诊断。这些例子表明,AI 如何已经嵌入日常临床工作流程,而从业者往往没有充分认识到其监管影响。
诊断影像中的人工智能
诊断影像代表了兽医 AI 商业上最发达的领域。撰写本文时,多家公司提供 AI 驱动的 X 线影像判读服务,包括 SignalPET 的 SignalRAY 平台、Vetology AI(由 Patterson Veterinary 分销)和 AIS RapidRead(通过 Antech/Mars Veterinary Health)。这些工具使用深度学习算法检测胸部、腹部和肌肉骨骼 X 线研究中的异常。
也许与快速的商业发展相关,一些关于兽医诊断影像 AI 的研究已经发表,显示出有希望但不一致的结果。Hespel 及其同事比较了 4 个预训练 DenseNet 卷积神经网络与 13 名兽医放射学专科医师评估犬胸部 X 线片的 15 种常见原发性胸部异常,发现总体错误率相当,放射科医师在几个类别中优于 AI[9]。Boissady 及其同事报告说,AI 在原发性胸部病变检测中的总体错误率低于兽医[10]。然而,Ndiaye 及其同事发现,虽然商业 AI 软件对犬和猫 X 线研究表现出高特异度,但其敏感度低于兽医放射科医师——这一发现具有重要的临床意义,因为较低的敏感度通常意味着漏诊或优先级排序不佳的病理[11]。Joslyn 及其同事随后发表了一篇评论,强调了 AI 验证研究中的方法学问题,并告诫不要过度夸大当前 AI 独立临床使用的准备程度[12]。
这些诊断影像产品在没有上市前监管批准、独立验证要求或上市后监测的情况下商业部署——尽管它们提供直接影响临床决策的诊断解释。许多这些研究的结论进一步支持了"人在回路中"的必要性。此外,虽然研究的发表令人鼓舞,但应遵循 CLAIM 指南(医学影像人工智能清单),这是一份包含 42 条具体的循证建议的清单,旨在确保 AI 研究的透明度、可重复性和严谨报告,特别是在医学影像领域。根据作者的经验,CLAIM 指南经常被忽视或未完全实施,阻碍了对这些工具的准确和有用的科学评估。
病历记录中的人工智能
AI 驱动的医疗记录工具代表了兽医实践中增长最快的 AI 应用之一。Scribenote、ScribbleVet、HappyDoc、CoVet、PetDesk Scribe 等产品使用大语言模型记录诊室对话,并自动生成结构化的主观、客观、评估和计划(SOAP)记录。与需要结构化输入的传统听写工具不同,这些 AI 记录工具捕获兽医和客户之间的自然对话,并将其转化为格式化的病历——过滤掉离题讨论,将口语转化为医学术语。
AI 记录工具的采用速度非常快。多所兽医教学医院已开始将这些工具整合到临床教育中:佛罗里达大学兽医学院于 2025 年 3 月宣布与 ScribbleVet 合作,在其设施和课堂环境中使用[13],加州大学戴维斯分校兽医学院同年晚些时候跟进。这种学术采用意义重大,因为它使 AI 生成的病历在下一代从业者中常态化,而此时准确性、完整性或责任方面尚未建立监管标准。正如加州大学戴维斯分校副院长 Michael Mison 博士指出的,将这项技术整合到教学医院中确保受训者熟悉将塑造未来临床工作流程的工具[14]。
AI 生成病历的监管影响是巨大的。首先,美国州兽医委员会协会(AAVSB)2025 年白皮书明确指出:"无论病历是否由 AI 生成,兽医仍对最终确定病历负有全部责任"。这将准确性验证的责任直接放在了从业者身上,然而目前没有关于兽医在签署前必须审查 AI 生成记录的彻底程度的标准[15]。其次,AI 记录工具记录包含受保护客户信息的诊室对话,引发了 GDPR、州隐私法和关于知情同意的兽医职业道德标准下的数据隐私问题。第三,AI 生成的医学术语和临床解释的准确性尚未通过同行评审研究独立验证——从业者在没有监管监督的情况下依赖供应商性能声明。最后,AI 生成病历在医疗事故诉讼中的法律影响尚未经过检验:如果 AI 记录工具错误陈述了兽医签署确认的临床发现,从业者和供应商之间的责任分配尚不明确。
细胞学诊断中的人工智能
细胞学诊断代表了兽医 AI 部署的第三个主要前沿。细胞学是一种极其有用且微创的诊断工具,广泛用于诊断炎症、感染、增生和肿瘤。然而,准确的细胞学判读需要专业知识:研究表明,历史上高达 48% 的兽医将细胞学样本发送到参考实验室,而不是在本院判读[16]。AI 驱动的细胞学工具旨在通过将即时诊断能力带给全科医生来弥合这一差距。
硕腾的 Vetscan Imagyst 平台是最突出的商业例子,提供 7 种 AI 驱动的检测能力,包括血涂片分析、粪便分析,以及截至 2025 年 6 月的 AI 肿块检测(AI Masses),它使用深度学习算法从细胞学样本中识别和分类常见的皮肤和皮下肿块以及淋巴结病变。该工具在护理点几分钟内出结果,硕腾将其描述为支持兽医专业人员做出知情决策并优化诊断工作流程[17]。
AI 辅助细胞学的研究迅速扩展。2025 年发表在《Frontiers in Veterinary Science》上的一篇系统综述发现,细胞学占兽医诊断深度学习研究的 33%——与放射学并列最活跃的研究领域[18]。具体研究成果包括卷积神经网络在猫血涂片中识别网织红细胞,准确率达 98.7%;CNN 模型从细胞学图像诊断和分类犬皮肤样本中的异常细胞生长;以及深度学习方法在犬皮肤肥大细胞瘤预后要素分级方面优于兽医病理学家[18]。
Pacholec 及其同事 2024 年的论文强调了一个重要的细微差别:即使 AI 系统给出 0.9 的淋巴瘤概率评分(在 1 表示 100% 确定淋巴瘤的量表上),病理学家也必须在患者基本信息、病史和体格检查结果的背景下解释该输出。AI 原始输出与临床诊断之间的区别不仅需要了解 AI 如何生成其评分(可解释性),还需要能够将该输出置于更广泛的临床信息中加以语境化(可解释性)[19]。与 AI 记录工具一样,这些细胞学工具在没有上市前监管批准的情况下商业上市和部署——尽管它们做出直接影响治疗决策和潜在安乐死的诊断分类。
这些工具代表了真正的技术进步,在效率提升、减少职业倦怠和潜在改善患者预后方面提供了改进。然而,由于缺乏任何监管监督和相对匮乏的科学评估,"信任但验证"的格言继续定义着兽医实施这些工具时应持有的谨慎态度。
职业自律和立场声明
美国兽医放射学院和欧洲兽医影像诊断学院联合立场声明
美国兽医放射学院(ACVR)和欧洲兽医影像诊断学院(ECVDI)于 2025 年 6 月在《美国兽医医学协会杂志》(JAVMA)上联合发表了关于 AI 的立场声明,代表了兽医影像专家最权威的指南。该声明确立了伦理 AI 部署的几项不可协商的原则[20]。
首先,AI 系统必须始终在合格兽医专业人员"在回路中"的情况下使用。专科认证放射科医师被确定为最适合评估计算机辅助诊断工具的人选,专科认证放射肿瘤科医师在放射治疗应用中承担相同角色。人在回路中的要求反映了对没有专家监督的全自动 AI 系统可能产生伤害患者的错误的担忧。
其次,立场声明确立了透明度标准:不能确保患者数据安全和保密处理、不提供其底层方法和训练/测试数据集的透明度、不允许实施后监测、不允许机器学习驱动医疗设备透明度的 AI 系统,不应在兽医实践中使用。该声明特别承认,目前没有商业产品满足所有这些标准,突显了职业期望与市场现实之间的差距。
第三,ACVR 和 ECVDI 敦促需要对 AI 工具进行无偏见的第三方评估,以建立信任并确保临床有效性。两个学院支持持续研究,并鼓励在高质量兽医期刊(包括《Veterinary Radiology and Ultrasound》)上发表内部文档和外部验证。立场声明还直接涉及责任问题,指出 AI 辅助决策的法律责任尚未确定,但可能涉及兽医本身,而不仅仅是开发者。
美国州兽医委员会协会监管考量
AAVSB 于 2025 年 3 月发布了《兽医学中人工智能使用的监管考量》,从兽医许可监管机构的角度提供了指南。AAVSB 的立场特别重要,因为州兽医委员会负责许可、纪律和定义护理标准——使其立场与 AI 使用相关的医疗事故和法律问题直接相关[15]。
白皮书的核心发现是明确的:AI 适当使用的责任完全在被许可人。AI 使用产生的任何错误或问题完全由兽医和兽医机构承担。AAVSB 强调,兽医必须保持完全的职业责任,"绝不能假设 AI 输出的准确性",必须能够以自己的专业判断证明医疗决策的合理性,并且必须将 AI 视为辅助而非取代临床专业知识的工具。AAVSB 用了一个类比:手术刀不受监管,但使用它的人需要知识和技能来负责任地使用——同时承认 AI 与被动工具不同,它主动提供可能影响临床决策的建议。
具体到病历记录,AAVSB 表示:"无论使用 AI 进行转录、放射学分析还是病历生成,兽医仍对最终确定病历负有全部责任"。即使使用 AI 驱动的机器人手术系统,"外科医生仍对患者安全和结果负全部责任"。白皮书还提供了风险评估的实践指导,要求兽医考虑 AI 工具是否已在相关人群中验证、训练数据是否代表适当的多样性,以及供应商是否提供足够的局限性文档。
美国兽医医学协会新兴技术与创新工作组
美国兽医医学协会(AVMA)截至 2026 年初尚未发布关于 AI 的正式独立政策或立场声明。相反,AVMA 于 2024 年初成立了新兴技术与创新工作组,代表一种基础设施建设方法,而非规范性监管。该工作组的目标包括:环境扫描以识别和建立对可能改善兽医服务提供的新兴技术的认识;制定鼓励负责任地开发和使用这些技术的初步政策;以及建议未来 AVMA 委员会的职责和组成[21],该委员会将制定相关政策并创建资源以支持兽医从业者。
2025 年 3 月,JAVMA 和《美国兽医研究杂志》与工作组以及康奈尔兽医学人工智能研讨会的组织者合作,发表了一系列关于兽医学中 AI 的叙述性综述文章。AVMA 还创建了关于 AI 的科学文章虚拟合集,并在其年会上专门安排了继续教育课程[22]。虽然 AVMA 的方法不如 ACVR/ECVDI 立场声明或 AAVSB 白皮书那样具有规范性,但它反映了该组织在发布正式政策之前正在发展专业知识和资源的现实——这是一种审慎的方法,但在 AI 快速采用时期留下了综合国家指南的空白。
行业自律
一些兽医公司已自愿采用 AI 治理原则。VET.CT 是一家兽医远程放射学公司,于 2022 年发布了关于兽医放射学中 AI 的立场声明,承诺在报告生成中使用 AI 时予以披露、在实施前验证 AI 工具,以及保持放射科医师对 AI 生成内容的监督。这一自愿承诺表明,负责任的公司即使在没有强制要求的情况下也认识到自律的价值。然而,依赖个别供应商道德会造成市场不一致,且缺乏执行机制意味着供应商不会因验证不足或误导性能声明而面临后果[23]。
责任和医疗事故考量
AI 与兽医医疗事故法的交叉点提出了未解决的问题,可能需要法院判决或立法来澄清。根据现行法律,兽医对其患者负有注意义务,可能因偏离公认的护理标准而承担责任。当 AI 工具被整合到临床决策中时——
如果兽医依赖产生假阳性结果的 AI 诊断工具——例如,AI 细胞学系统将良性肿块错误分类为肿瘤性,导致不必要的手术或安乐死——兽医与 AI 供应商之间的责任分配问题在兽医学中尚未经过法律检验。AAVSB 的立场将责任直接放在被许可人身上,但产品责任理论可能潜在地延伸到其工具产生可预见错误的供应商。兽医 AI 缺乏监管标准意味着没有基准来衡量供应商产品是否满足最低性能要求。
相反,未能采用已成为护理标准一部分的 AI 工具的兽医,可能因不使用可用技术而面临责任。随着 AI 驱动的诊断成为主流,护理标准本身可能会发展到包括其使用。从业者应记录他们对 AI 工具的使用,保存供应商验证数据的记录,并在诊断决策中使用 AI 时明确告知客户。
未来监管方向
兽医 AI 的监管格局可能在未来几年发生重大演变,这是由持续快速采用、新出现的责任问题以及围绕治理框架需求的日益增长的职业共识所推动的。几项发展值得关注。
在美国,特朗普政府 2025 年 12 月关于 AI 的行政命令建立了国家政策框架,强调消除 AI 创新障碍并质疑州级 AI 监管的作用。虽然主要针对商业 AI 应用,但这种创新导向的联邦立场可能会影响 CVM 追求兽医 AI 监管的力度[24]。联邦优先权与近年来颁布的 100 多项州 AI 法律之间的相互作用,给跨多个司法管辖区运营的兽医 AI 供应商和从业者带来了额外的不确定性。这种对放松管制的关注可能进一步强调在实施 AI 工具时个人兽医判断和责任的要求。
表 3 采用前向 AI 供应商询问的问题
| 类别 | 问题 | 为什么重要 |
|---|---|---|
| 训练数据 | 您的训练数据集中包含哪些物种、品种和疾病?数据集大小是多少? | 在有限人群上训练的模型在多样化临床环境中可能表现不佳 |
| 验证 | 您的产品是否已由第三方独立验证?结果是否发表在同行评审文献中? | 供应商报告的指标可能高估了真实世界性能 |
| 性能指标 | 每个诊断类别的敏感度、特异度、阳性预测值、阴性预测值和曲线下面积是多少?测试或验证数据集中的疾病患病率是否反映真实世界情况? | 了解错误率对于临床解读 AI 输出至关重要。用于计算性能指标的数据集应反映真实世界情况 |
| 透明度 | 您能否提供您的 AI 架构、训练方法和已知局限性的文档? | ACVR/ECVDI 立场声明要求底层方法的透明度 |
| 数据隐私 | 客户和患者数据如何存储、处理和保护?服务器在哪里?谁有权访问? | GDPR 和州隐私法可能对数据处理施加义务 |
| 上市后监测 | 您是否对部署环境中的 AI 性能进行持续监测?错误如何报告和处理? | 没有监测的话,AI 性能可能随时间推移而退化(模型漂移) |
| 记录准确性(AI 记录工具) | 生成的病历的测量准确率是多少?医学术语和药物名称如何验证? | 根据 AAVSB 指南,兽医对记录准确性负全部责任 |
| 更新 | 算法更新如何处理?我是否会收到可能影响诊断性能的变更通知? | 与人类医学不同,没有预先确定的变更控制计划要求 |
AVMA 新兴技术与创新工作组代表了美国近期最可能的国家兽医 AI 指南来源。其制定政策建议和教育资源的工作即使没有法律监管力量,也可能建立事实上的标准。同样,ACVR 和 ECVDI 以外的专科学院——特别是病理学(ACVP)和内科(ACVIM)——继续发布立场声明,将有助于建立学科特定的 AI 使用期望。
在国际上,欧盟 AI 法案分阶段实施至 2027 年,将逐步澄清其对兽医 AI 工具的适用性,特别是在欧盟内销售的工具。如果兽医诊断 AI 根据该法案被归类为高风险,由此产生的合格评定和文档要求可能有效地建立供应商无论在哪个司法管辖区都遵守的全球标准——就像 GDPR 影响了全球数据隐私实践一样。
兽医专业人员实践指导
在缺乏正式监管要求的情况下,兽医从业者在评估和采用 AI 工具时应进行尽职调查。以下框架受 ACVR/ECVDI 立场声明、AAVSB 白皮书和适应用途的 CLAIM 指南启发,为负责任的 AI 采用提供了实践指导(表 3)[25]。
除了供应商评估外,从业者应建立 AI 使用的内部协议,包括:在最终确定前审查和签署所有 AI 生成的病历;记录在得出诊断结论时使用了 AI 工具;在诊断决策中使用 AI 之前获得客户知情同意,特别是对于高风险决策;保持对 AI 工具局限性和错误模式的熟悉;以及通过继续教育了解不断发展的职业标准和监管动态。
总结
兽医学中 AI 的监管正处于关键的拐点。AI 工具已经嵌入临床工作流程——解读 X 线片、筛查细胞学样本和生成病历——然而监管和职业治理框架尚未跟上。人类医疗 AI 所受到的全面监督与兽医 AI 工具基本上不存在的监督之间的差距,给患者、客户和从业者都带来了风险,并反映了监管与创新之间的张力。
兽医职业界已经开始回应。ACVR/ECVDI 和 AAVSB 的立场声明、AVMA 的新兴技术工作组以及个别公司的自律承诺都指向一个正在形成的共识:AI 应辅助而非取代兽医判断;透明度和独立验证至关重要;无论是否涉及 AI,从业者都对临床决策和数据保护承担最终责任。然而,自愿合规和职业指导不能替代确保安全性、有效性和透明度最低标准的监管框架。
随着兽医职业继续将 AI 整合到临床实践中,制定兽医专用的监管指南——借鉴人类医学中更成熟的框架、欧盟 AI 法案和新兴国际标准——对于保护动物患者和照顾它们的从业者都至关重要。兽医专用的 AI 监管正在开始形成。在此期间,兽医专业人员必须运用批判性判断,积累评估 AI 工具所需的关键技能,对 AI 供应商进行尽职调查,并积极参与塑造将监管这些变革性技术的监管格局。
临床要点
• 兽医学中 AI 的监管框架目前有限。它们的持续演变无疑将受到北美、英国和欧洲已有的人类医学 AI 指南的影响。
• 可信的兽医组织和协会正在努力提供关于兽医学中 AI 采用的指南。经常查阅这些组织发布的指南将有助于最佳实践并确保患者安全。
• AI 工具使用的最终责任、其临床准确性和数据安全在于兽医。
• "人在回路中"和"信任但验证"的理念仍然是兽医临床实践中 AI 采用的关键原则。使用本文列出的问题(见表 3)为实践中使用的任何 AI 工具收集评估数据。
写作过程中的人工智能及人工智能辅助技术声明
在撰写本文期间,作者使用了 Claude Sonnet 4.5 来协助主题组织;为清晰、语法和简洁性进行编辑;生成表格;生成摘要;总结复杂的政府政策;以及插入/格式化参考文献。使用此工具/服务后,作者根据需要审查和编辑了内容,并对出版物内容承担全部责任。
利益披露
作者受雇于 VET.CT,目前担任首席兽医官。
参考文献
1. American Animal Hospital Association, Digitail. Veterinary industry embraces AI: AAHA-Digitail survey reveals rapid adoption and readiness. 2024. Accessed January 2026. Available at: https://www.aaha.org/resources/2024-aaha-digitail-pet-health-ai-survey/. 2. US Food and Drug Administration. Artificial intelligence and machine learning (AI/ML)-enabled medical devices. FDA website; 2023. Accessed January 2026. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices. 3. Cohen EB, Gordon IK. First, do no harm. Ethical and legal issues of artificial intelligence and machine learning in veterinary radiology and radiation oncology. Vet Radiol Ultrasound 2022;63(Suppl 1):840–50. 4. US Food and Drug Administration. Health Canada, Medicines and Healthcare products Regulatory Agency. Good machine learning practice for medical device development: guiding principles. 2021. Accessed January 2026. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/good-machine-learning-practice-medical-device-development-guiding-principles. 5. US Food and Drug Administration. Health Canada, Medicines and Healthcare products Regulatory Agency. Transparency for machine learning-enabled medical devices: guiding principles. 2024. Accessed January 2026. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/transparency-machine-learning-enabled-medical-devices-guiding-principles. 6. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 Laying down Harmonised Rules on Artificial Intelligence and Amending Regulations (EC) No 300/2008, (EU) No 167/2013, (EU) No 168/2013, (EU) 2018/858, (EU) 2018/1139 and (EU) 2019/2144 and Directives 2014/90/EU, (EU) 2016/797 and (EU) 2020/1828 (Artificial Intelligence Act). 2024. Accessed January 2026. Available at: http://data.europa.eu/eli/reg/2024/1689/oj. 7. Regulation (EU) 2019/6 of the European Parliament and of the Council of 11 December 2018 on Veterinary Medicinal Products and Repealing Directive 2001/82/EC. 2018. Accessed January 2025. Available at: http://data.europa.eu/eli/reg/2019/6/oj. 8. UK Department for science, innovation and technology. A pro-innovation approach to AI regulation. 2023. Accessed January 2026. Available at: https://www.gov.uk/government/publications/ai-regulation-a-pro-innovation-approach. 9. Hespel AM, Emilie B, Alois DLC, et al. Comparison of error rates between four pretrained DenseNet convolutional neural network models and 13 board-certified veterinary radiologists when evaluating 15 labels of canine thoracic radiographs. Vet Radiol Ultrasound 2022;63(4):456–68. 10. Boissady E, de La Comble A, Zhu X, et al. Artificial intelligence evaluating primary thoracic lesions has an overall lower error rate compared to veterinarians or veterinarians in conjunction with the artificial intelligence. Vet Radiol Ultrasound 2020;61(6):619–27. 11. Ndiaye YS, Cramton P, Chernev C, et al. Comparison of radiological interpretation made by veterinary radiologists and state-of-the-art commercial AI software for canine and feline radiographic studies. Front Vet Sci 2025;12:1502790. 12. Joslyn SK, Faulkner J, Ma D, et al. Commentary: comparison of radiological interpretation made by veterinary radiologists and state-of-the-art commercial AI software for canine and feline radiographic studies. Front Vet Sci 2025;12:1615947. 13. University of Florida Adopts ScribbleVet AI Scribe Tools for Veterinary Facilities, Students. The Interior News. Accessed January 2026. Available at: https://smb.interior-news.com/article/University-of-Florida-Adopts-ScribbleVet-AI-Scribe-Tools-for-Veterinary-Facilities-Students/67e2ca79e68a6d77f5563a43. 14. UC Davis veterinary school adopts use of AI scribe platform. dvm360. Accessed January 2026. Available at: https://www.dvm360.com/view/uc-davis-veterinary-school-adopts-use-of-ai-scribe-platform. 15. McGuire KC. AAVSB Releases Considerations for the Use of AI in Veterinary Medicine. AAVSB. 2025. Accessed January 2026. Available at: https://www.aavsb.org/news/aavsb-releases-guidance-for-the-use-of-ai-in-veterinary-medicine/. 16. Christopher MM, Hotz CS, Shelly SM, et al. Use of cytology as a diagnostic method in veterinary practice and assessment of communication between veterinary practitioners and veterinary clinical pathologists. J Am Vet Med Assoc 2008;232(5):747–54. 17. Zoetis launches AI Masses, the new AI-powered cytologic capability for Vetscan Imagyst. Press release. 2025. Accessed January 2026. Available at: https://news.zoetis.com/. 18. Xiao S, Dhand NK, Wang Z, et al. Review of applications of deep learning in veterinary diagnostics and animal health. Front Vet Sci 2025;12:1511522. 19. Pacholec C, Flatland B, Xie H, et al. Harnessing artificial intelligence for enhanced veterinary diagnostics: a look to quality assurance, Part I model development. Vet Clin Pathol 2025;54(S2):S30–42. 20. Appleby RB, Difazio M, Cassel N, et al. American college of veterinary radiology and European college of veterinary diagnostic imaging position statement on artificial intelligence. J Am Vet Med Assoc 2025;263(6). https://doi.org/10.2460/javma.25.01.0027. 21. Board chair addresses Colorado ballot initiative, highlights emerging technology task force. American Veterinary Medical Association. 2024. Accessed January 2026. Available at: https://www.avma.org/news/board-chair-addresses-colorado-ballot-initiative-highlights-emerging-technology-task-force. 22. Golab GC, Fortier LA. Supporting emerging technologies and innovation. J Am Vet Med Assoc 2025;263(3):288. https://doi.org/10.2460/javma.263.3.288. 23. VetCT. Position statement on Artificial Intelligence in Veterinary Medicine. 2022. Accessed January 2026. Available at: https://5345458.hs-sites.com/vetct-ai-white-paper. 24. Ensuring a National Policy Framework for Artificial Intelligence. Federal Register. 2025. Available at: https://www.federalregister.gov/documents/2025/12/16/2025-23092/ensuring-a-national-policy-framework-for-artificial-intelligence. 25. Mongan J, Moy L, Kahn CE. Checklist for artificial intelligence in medical imaging (CLAIM): a guide for authors and reviewers. Radiol Artif Intell 2020;2(2):e200029.