從美國食品藥物管理局指引草稿初探生醫領域AI技術發展對專利申請之影響
2026.10.29
SHARE
人工智慧快速崛起，並逐步改革生醫產業之研發模式。然而，AI技術目前具有訓練資料龐雜、模型背後的運算與統計方法複雜且不透明、輸出結果之準確性存有不確定性，並可能伴隨新資料輸入而改變輸出結果等可靠性疑慮。基於生醫領域涉及個人生命與健康而具有高規範密度，且申請藥品查驗登記之送審資料包含AI技術運用成果之情況逐步增加，故AI技術已對美國生醫領域之主管機關，即食品藥物管理局 (Food and Drug Administration，FDA) 造成衝擊。
專利申請要求功效數據佐證，特別是生醫領域，基於AI技術發展對我國專利申請影響之資訊困乏，且美國FDA逐步發布AI技術運用之相關初步指引或指引草稿，故本文援為討論基礎。
一、人工智慧或機器學習於美國藥證申請之運用情況
美國FDA高階主管於2022年發表期刊，其針對藥品審查和研究中心 (Center for Drug Evaluation, CDER) 資料庫以人工智慧 (artificial intelligence，AI) 與機器學習 (machine learning, ML) 為關鍵字，對2016至2021年間之藥證申請送審資料進行分析；其中，(1) 2021年含關鍵字的送審資料為132件，大幅高於2020年之14件；(2)臨床開發階段含關鍵字的送審資料為140件，大幅高於非臨床開發階段之8件和上市後階段的6件；(3)含關鍵字的送審資料有27%為癌症領域，15%為精神病學領域，12%為胃腸病學領域，以及11%為神經學領域。
此外，人工智慧與機器學習之運用類型包含：結果預測 (Outcome prediction)、共變量選擇／混雜因素調整 (Covariate selection/confounding adjustment)、計量藥理學模型建立 (Pharmacometric modeling)、異常偵測 (Anomaly detection)、影像、影片與語音分析 (Imaging, video, and voice analysis)、真實世界數據表型分析／自然語言處理(RWD phenotyping/Natural Language Processing)、新藥開發／老藥新用(Drug discovery/repurposing)、藥物毒性預測 (Drug toxicity prediction)、強化設計 (Enrichment design)、病患風險分層與管理 (Patient risk stratification and management)、劑量選擇與優化(Dose selection/optimization)、服藥依從性 (Adherence to drug regimen)、虛擬對照組 (Synthetic Control)、臨床終點與生物標記評估 (End-point/biomarker assessment) 和上市後安全監視 (Postmarketing Surveillance)。
二、2025年「對業界和其他利害關係人關於利用人工智慧支持藥品及生物製劑審核決策的考量因素」之指引草稿
本指引草稿之制訂目的為當藥廠或和其他利害關係人預計利用AI生成資訊或數據，以支持藥物安全性、有效性或品質相關之審查時，提供作法建議，並揭示針對藥物全生命週期中運用AI於風險面的可信度評估架構，並包含以下7項步驟：
步驟1：明確界定關注議題。
舉例言之，問題可界定為「哪些受試者可被視為低風險，給藥後無需住院監測？」或「藥物B的小瓶是否符合既定的裝量規格？」。
步驟2：定義AI模型的特定使用情境 (Context of Use, COU)。
此步驟應詳細說明建模對象和模型輸出結果的用途。舉例言之，利用AI模型，依據受試者的基線特徵和實驗室檢查指標，預測其發生藥物不良反應的風險，並將AI模型的輸出結果用於受試者分層（即分為低風險組或高風險組），以決定給藥後是需住院觀察，此即為AI模型的特定使用情境。
更進一步者，應敘明是僅由AI模型或是併用AI之外的其他資訊來回答問題。例如：除運用AI模型分析西林瓶的視覺圖像資料來判斷藥品裝量時是否出現偏差之外，仍維持既有作法：每批產品於放行檢測時，針對代表性樣本進行獨立的裝量驗證，則AI模型並非決定產品是否放行的唯一依據。
步驟3：評估AI模型風險。
模型風險包含兩因素：(1)模型影響力：AI模型提供的證據相較於其他證據所作出的貢獻；(2)決策結果：錯誤決策導致不良結果時的嚴重程度。舉例言之，當AI作為決策的唯一依據時，則模型影響力將被評估為「高」風險；當受試者分層出現錯誤，導致高風險病患未住院觀察而可能引發生命安全風險時，則其決策結果亦將被評估為「高」風險。
步驟4：制定計畫以確立AI模型在特定使用情境內之輸出可信度。
此步驟旨在確立AI模型的輸出可信度，並建議宜盡早讓FDA參與。此步驟須先揭示所用模型和所用資料，再揭示評估方式；其中，在AI模型部分，需揭示模型輸入與輸出、模型架構（例如：卷積神經網路）、模型特徵、特徵選擇過程、模型參數和模型開發流程。在資料部分，須揭示所選資料的適用性、資料之收集與處理方式、訓練模型的方式、模型校正、品質管控流程和版本追蹤。在評估方式部分，須揭示選擇測試方法的邏輯和適用性，測試資料之適用性、收集與處理方式，建模方法的局限性（含潛在偏差），以及品質管控流程。
步驟5：執行計畫。
步驟6：記錄可信度評估計劃的結果，並討論計畫偏差。
此步驟需記錄可信度評估計劃的結果及出現的任何偏差。
步驟7：評估此AI模型對於特定使用情境的適用性。
本步驟將依可信度評估結果決定：AI模型可用或是(1) AI模型輸出結果與其他證據併用；(2)加強可信度評估強度或增加訓練資料；(3)增補其他風險管控作為；(4)調整建模方法；以及(5)AI模型不可用或需再反覆修正。
從上述指引草稿可知，第一，FDA對AI技術運用採取嚴謹態度，亦即在廠商要求FDA採納AI輸出結果前，FDA將要求廠商先證明所用AI技術的可信度。第二，AI技術可信度之建立，要求AI技術本身的完整揭露，且廠商對於AI技術需完整掌控，亦即各別AI技術之風險所在與控制皆由申請人舉證與落實，換句話說，所述指引無意推薦通用的AI模型。第三，AI技術涉及層面廣泛，需個案討論，故宜盡早讓FDA參與可信度評估。
三、討論
基於生醫產業不乏自行建構AI模型來加強研發，可預見採用AI輸出的藥物安全性、有效性或品質相關之資料亦可能同時作為專利申請資料。基於未來專利申請實務將如何變化尚未可知，但從上述指引草稿可知，第一，AI輸出成果須具有可信度，才能用於申請專利應無疑義，故專利申請人宜秉承相同的嚴謹態度，於運用AI輸出成果提出專利申請時，主動說明可信度。第二，基於AI輸出成果作為決策的唯一依據恐被認定為「高」風險，故當AI輸出口結果尚未獲得FDA認可或尚無公開資訊佐證其已被所屬技術領之通常知識者所信賴前，宜併用其他證據來輔佐AI輸出成果。第三，當AI技術屬商購產品或第三方服務時，其已非專利申請人可掌控者，恐將進一步提升相關舉證之不確定性。第四，依據專利法第26條第1項之規定，有關專利說明書之揭示程度，須達參酌申請時之通常知識，無須過度實驗，即能瞭解其內容，據以製造及使用申請專利之發明，解決問題，並且產生預期的功效。受限於專利說明書之形式，專利申請人如何證明所用AI模型之可信度，並符合可據以實現要件；未來專利申請文獻之格式和智慧局之審查是否有所調整也充滿不確定性，尤其，AI技術之運用層面廣泛，未來恐仍需仰賴大量的個案探討以累積經驗。最後，運用AI輸出成果作為專利申請資料之不確定性恐衍生專利申請核駁之風險，為避免AI輸出成果可否被智慧局接受之疑慮而延緩廠商之專利申請步調，建立相關專門諮詢管道與交流平台以拋磚引玉，或許有助於降低AI技術運用對於專利申請之實務衝擊。
參考文獻
1. Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products, Draft Guidance for Industry and Other Interested Parties,
January 2025，網址：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological （最後點閱日：2026年10月16日）。
2. Qi Liu et al., Landscape Analysis of the Application of Artificial Intelligence and Machine Learning in Regulatory Submissions for Drug Development From 2016 to 2021, Clin Pharmacol Ther. 2023 Apr;113(4):771-774，網址：https://pubmed.ncbi.nlm.nih.gov/35707940/ （最後點閱日：2026年10月16日）。
專利申請要求功效數據佐證，特別是生醫領域，基於AI技術發展對我國專利申請影響之資訊困乏，且美國FDA逐步發布AI技術運用之相關初步指引或指引草稿，故本文援為討論基礎。
一、人工智慧或機器學習於美國藥證申請之運用情況
美國FDA高階主管於2022年發表期刊，其針對藥品審查和研究中心 (Center for Drug Evaluation, CDER) 資料庫以人工智慧 (artificial intelligence，AI) 與機器學習 (machine learning, ML) 為關鍵字，對2016至2021年間之藥證申請送審資料進行分析；其中，(1) 2021年含關鍵字的送審資料為132件，大幅高於2020年之14件；(2)臨床開發階段含關鍵字的送審資料為140件，大幅高於非臨床開發階段之8件和上市後階段的6件；(3)含關鍵字的送審資料有27%為癌症領域，15%為精神病學領域，12%為胃腸病學領域，以及11%為神經學領域。
此外，人工智慧與機器學習之運用類型包含：結果預測 (Outcome prediction)、共變量選擇／混雜因素調整 (Covariate selection/confounding adjustment)、計量藥理學模型建立 (Pharmacometric modeling)、異常偵測 (Anomaly detection)、影像、影片與語音分析 (Imaging, video, and voice analysis)、真實世界數據表型分析／自然語言處理(RWD phenotyping/Natural Language Processing)、新藥開發／老藥新用(Drug discovery/repurposing)、藥物毒性預測 (Drug toxicity prediction)、強化設計 (Enrichment design)、病患風險分層與管理 (Patient risk stratification and management)、劑量選擇與優化(Dose selection/optimization)、服藥依從性 (Adherence to drug regimen)、虛擬對照組 (Synthetic Control)、臨床終點與生物標記評估 (End-point/biomarker assessment) 和上市後安全監視 (Postmarketing Surveillance)。
二、2025年「對業界和其他利害關係人關於利用人工智慧支持藥品及生物製劑審核決策的考量因素」之指引草稿
本指引草稿之制訂目的為當藥廠或和其他利害關係人預計利用AI生成資訊或數據，以支持藥物安全性、有效性或品質相關之審查時，提供作法建議，並揭示針對藥物全生命週期中運用AI於風險面的可信度評估架構，並包含以下7項步驟：
步驟1：明確界定關注議題。
舉例言之，問題可界定為「哪些受試者可被視為低風險，給藥後無需住院監測？」或「藥物B的小瓶是否符合既定的裝量規格？」。
步驟2：定義AI模型的特定使用情境 (Context of Use, COU)。
此步驟應詳細說明建模對象和模型輸出結果的用途。舉例言之，利用AI模型，依據受試者的基線特徵和實驗室檢查指標，預測其發生藥物不良反應的風險，並將AI模型的輸出結果用於受試者分層（即分為低風險組或高風險組），以決定給藥後是需住院觀察，此即為AI模型的特定使用情境。
更進一步者，應敘明是僅由AI模型或是併用AI之外的其他資訊來回答問題。例如：除運用AI模型分析西林瓶的視覺圖像資料來判斷藥品裝量時是否出現偏差之外，仍維持既有作法：每批產品於放行檢測時，針對代表性樣本進行獨立的裝量驗證，則AI模型並非決定產品是否放行的唯一依據。
步驟3：評估AI模型風險。
模型風險包含兩因素：(1)模型影響力：AI模型提供的證據相較於其他證據所作出的貢獻；(2)決策結果：錯誤決策導致不良結果時的嚴重程度。舉例言之，當AI作為決策的唯一依據時，則模型影響力將被評估為「高」風險；當受試者分層出現錯誤，導致高風險病患未住院觀察而可能引發生命安全風險時，則其決策結果亦將被評估為「高」風險。
步驟4：制定計畫以確立AI模型在特定使用情境內之輸出可信度。
此步驟旨在確立AI模型的輸出可信度，並建議宜盡早讓FDA參與。此步驟須先揭示所用模型和所用資料，再揭示評估方式；其中，在AI模型部分，需揭示模型輸入與輸出、模型架構（例如：卷積神經網路）、模型特徵、特徵選擇過程、模型參數和模型開發流程。在資料部分，須揭示所選資料的適用性、資料之收集與處理方式、訓練模型的方式、模型校正、品質管控流程和版本追蹤。在評估方式部分，須揭示選擇測試方法的邏輯和適用性，測試資料之適用性、收集與處理方式，建模方法的局限性（含潛在偏差），以及品質管控流程。
步驟5：執行計畫。
步驟6：記錄可信度評估計劃的結果，並討論計畫偏差。
此步驟需記錄可信度評估計劃的結果及出現的任何偏差。
步驟7：評估此AI模型對於特定使用情境的適用性。
本步驟將依可信度評估結果決定：AI模型可用或是(1) AI模型輸出結果與其他證據併用；(2)加強可信度評估強度或增加訓練資料；(3)增補其他風險管控作為；(4)調整建模方法；以及(5)AI模型不可用或需再反覆修正。
從上述指引草稿可知，第一，FDA對AI技術運用採取嚴謹態度，亦即在廠商要求FDA採納AI輸出結果前，FDA將要求廠商先證明所用AI技術的可信度。第二，AI技術可信度之建立，要求AI技術本身的完整揭露，且廠商對於AI技術需完整掌控，亦即各別AI技術之風險所在與控制皆由申請人舉證與落實，換句話說，所述指引無意推薦通用的AI模型。第三，AI技術涉及層面廣泛，需個案討論，故宜盡早讓FDA參與可信度評估。
三、討論
基於生醫產業不乏自行建構AI模型來加強研發，可預見採用AI輸出的藥物安全性、有效性或品質相關之資料亦可能同時作為專利申請資料。基於未來專利申請實務將如何變化尚未可知，但從上述指引草稿可知，第一，AI輸出成果須具有可信度，才能用於申請專利應無疑義，故專利申請人宜秉承相同的嚴謹態度，於運用AI輸出成果提出專利申請時，主動說明可信度。第二，基於AI輸出成果作為決策的唯一依據恐被認定為「高」風險，故當AI輸出口結果尚未獲得FDA認可或尚無公開資訊佐證其已被所屬技術領之通常知識者所信賴前，宜併用其他證據來輔佐AI輸出成果。第三，當AI技術屬商購產品或第三方服務時，其已非專利申請人可掌控者，恐將進一步提升相關舉證之不確定性。第四，依據專利法第26條第1項之規定，有關專利說明書之揭示程度，須達參酌申請時之通常知識，無須過度實驗，即能瞭解其內容，據以製造及使用申請專利之發明，解決問題，並且產生預期的功效。受限於專利說明書之形式，專利申請人如何證明所用AI模型之可信度，並符合可據以實現要件；未來專利申請文獻之格式和智慧局之審查是否有所調整也充滿不確定性，尤其，AI技術之運用層面廣泛，未來恐仍需仰賴大量的個案探討以累積經驗。最後，運用AI輸出成果作為專利申請資料之不確定性恐衍生專利申請核駁之風險，為避免AI輸出成果可否被智慧局接受之疑慮而延緩廠商之專利申請步調，建立相關專門諮詢管道與交流平台以拋磚引玉，或許有助於降低AI技術運用對於專利申請之實務衝擊。
參考文獻
1. Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products, Draft Guidance for Industry and Other Interested Parties,
January 2025，網址：https://www.fda.gov/regulatory-information/search-fda-guidance-documents/considerations-use-artificial-intelligence-support-regulatory-decision-making-drug-and-biological （最後點閱日：2026年10月16日）。
2. Qi Liu et al., Landscape Analysis of the Application of Artificial Intelligence and Machine Learning in Regulatory Submissions for Drug Development From 2016 to 2021, Clin Pharmacol Ther. 2023 Apr;113(4):771-774，網址：https://pubmed.ncbi.nlm.nih.gov/35707940/ （最後點閱日：2026年10月16日）。
