Van abstract naar toegepast: Hoe Desjardins octrooibescherming voor AI in de gezondheidszorg kan herzien

Al tien jaar lang worden innovators op het snijvlak van kunstmatige intelligentie (AI) en precisiegeneeskunde geconfronteerd met een hardnekkige paradox: juist de doorbraken op het gebied van software en machine learning die vroegtijdige opsporing van kanker en gepersonaliseerde therapieaanbevelingen mogelijk maken, worden vaak geweigerd voor octrooibescherming in de VS. Onder het onvoorspelbare Alice/Mayo-kader categoriseren octrooionderzoekers en rechtbanken adaptieve AI-modellen vaak als "abstracte ideeën" en stellen ze gelijk aan wiskundige oefeningen in plaats van technologische vooruitgang die bescherming verdient.

Het resultaat is een afschrikwekkend effect op investeringen en openbaarmaking in een van de meest veelbelovende gebieden van de gezondheidszorg en mogelijk een bedreiging voor het leiderschap van de Verenigde Staten op het gebied van biomedische AI.

De herziening van de USPTO van 25 september 2025, Ex parte Desjardins,[i] is de duidelijkste erkenning dat AI-innovaties, waaronder die met toepassingen in de gezondheidszorg, octrooieerbaar kunnen zijn. Het Appeals Review Panel ("ARP") heeft een afwijzing op grond van § 101 tegen het continue leerkader van DeepMind vernietigd, met het argument dat het een wiskundig concept in een praktische toepassing integreerde door de functionaliteit van het model zelf te verbeteren. Opvallend is dat het ARP niet alleen de beslissing van de commissie heeft teruggedraaid en de claims octrooieerbaar heeft verklaard,[ii] maar dat de beslissing ook is opgesteld door John A. Squires, de nieuwe directeur van het Amerikaanse octrooi- en merkenbureau. 

De afgewezen claims

De claims in kwestie hebben betrekking op een computergeïmplementeerde methode voor het trainen van een machine learning-model. Representatieve onafhankelijke claim 1[iii] luidt als volgt:

1. Een computergeïmplementeerde methode voor het trainen van een machine learning-model,

waarbij het machine learning-model ten minste een aantal parameters heeft en is getraind op een eerste machine learning-taak met behulp van eerste trainingsgegevens om eerste waarden van het aantal parameters van het machine learning-model te bepalen, en waarbij de methode omvat:

voor elk van de meerdere parameters een respectieve maatstaf bepalen voor het belang van de parameter voor de eerste machine learning-taak, omvattende:

het berekenen, op basis van de eerste waarden van de meerdere parameters die zijn bepaald door het machine learning-model te trainen op de eerste machine learning-taak, van een benadering van een posterieure verdeling over mogelijke waarden van de meerdere parameters, het toekennen, met behulp van de benadering, van een waarde aan elk van de meerdere parameters, waarbij de waarde de respectieve maatstaf is van het belang van de parameter voor de eerste machine learning-taak en een benadering is van de waarschijnlijkheid dat de eerste waarde van de parameter na het trainen op de eerste machine learning-taak een correcte waarde van de parameter is, gegeven de eerste trainingsgegevens die zijn gebruikt om het machine learning-model te trainen op de eerste machine learning-taak;

het verkrijgen van tweede trainingsgegevens voor het trainen van het machine learning-model op een tweede, andere machine learning-taak; en het trainen van het machine learning-model op de tweede machine learning-taak door het machine learning-model te trainen op de tweede trainingsgegevens om de eerste waarden van de meerdere parameters aan te passen om de prestaties van het machine learning-model op de tweede machine learning-taak te optimaliseren, terwijl de prestaties van het machine learning-model op de eerste machine learning-taak worden beschermd;

waarbij het aanpassen van de eerste waarden van de meerdere parameters het aanpassen van de eerste waarden van de meerdere parameters omvat om een doelstellingfunctie te optimaliseren die gedeeltelijk afhankelijk is van een strafterm die is gebaseerd op de bepaalde maatregelen van het belang van de meerdere parameters voor de eerste machine learning-taak.

Juridische analyse

De ARP volgde de tweestaps-test van Alice/Mayo en het analytische kader van MPEP § 2106.[iv] Het panel beperkte zijn analyse tot stap 2A (Alice stap 1) omdat de kwestie doorslaggevend was. Onder stap 2A, punt 1, richt het onderzoek zich op de vraag of de claim een abstract idee beschrijft. In dit geval betwistte de ARP niet het standpunt van de commissie dat het berekenen van een benadering van parameters een wiskundige berekening is en dus een abstract idee.[v] 

Het panel ging vervolgens verder met stap 2A, onderdeel 2, waarbij het onderzoek zich richt op de vraag of het abstracte idee is geïntegreerd in een praktische toepassing. Op dit punt was het ARP het op een aantal punten oneens met de commissie. Ten eerste oordeelde het ARP dat de claims technische verbeteringen opleverden in de werking van het leermodel zelf, door eerdere kennis te behouden en tegelijkertijd de opslagbehoeften en de complexiteit van het systeem te verminderen.[vi] Ten tweede zijn deze verbeteringen technisch van aard en niet louter beperkingen op het gebied van het gebruik.[vii] 

De ARP baseerde zijn beslissing op jurisprudentie van het Federale Hof van Beroep, met name Enfish, LLC. V. Microsoft Corp., 822 F.3D 1327, 1339 (Fed. Cir. 2016) en McRO, Inc. v. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016), waarin werd geoordeeld dat op software gebaseerde structurele of logische verbeteringen octrooieerbaar kunnen zijn.[viii]De ARP legde specifiek de nadruk op Enfish en verklaarde dat deze zaak "een van de toonaangevende zaken van het Federale Hof van Beroep is met betrekking tot de octrooieerbaarheid van technologische verbeteringen" en citeerde de uitspraak in Enfish waarin staat dat "software niet-abstracte verbeteringen aan computertechnologie kan aanbrengen, net zoals hardwareverbeteringen dat kunnen". De ARP wees vervolgens op de formulering in de specificatie waarin wordt beschreven hoe de geclaimde uitvinding minder opslagcapaciteit gebruikt en een verminderde systeemcomplexiteit mogelijk maakt, als een weerspiegeling van een octrooieerbare technische verbetering. Elk van de punten die de ARP naar voren bracht in het licht van stap 2A, onderdeel 2 van de Alice/Mayo-testlijktaan te tonen dat verbeteringen aan machine learning-modellen of algoritmen zelf verbeteringen aan technologie zijn en daarom octrooieerbaar zijn.

Samenvattend zet Desjardins een nieuwe toon voor de toepassing van de huidige jurisprudentie van het Federale Circuit § 101 en benadrukt en erkent het belang van AI voor de technologische innovatie van de Verenigde Staten:

Het categorisch uitsluiten van AI-innovaties van octrooibescherming in de Verenigde Staten brengt het leiderschap van Amerika op het gebied van deze cruciale opkomende technologie in gevaar. Volgens de redenering van het panel zijn veel AI-innovaties echter mogelijk niet octrooieerbaar, zelfs als ze adequaat zijn beschreven en niet voor de hand liggen, omdat het panel in wezen elke vorm van machine learning gelijkstelde aan een octrooieerbaar "algoritme" en de overige aanvullende elementen als "generieke computercomponenten", zonder adequate uitleg. Examinatoren en panels mogen claims niet op zo'n hoog niveau van algemeenheid beoordelen.[ix]

Naast het ongedaan maken van de afwijzing op grond van 35 U.S.C. 101 en het afleggen van een krachtige verklaring over het belang van AI-gerelateerde technologieën, geeft directeur Squires 35 U.S.C. § 101 zijn juiste rol in de analyse van octrooieerbaarheid, waarbij hij opmerkt dat "deze zaak aantoont dat §§ 102, 103 en 112 de traditionele en geschikte instrumenten zijn om de octrooibescherming tot de juiste reikwijdte te beperken. Deze wettelijke bepalingen moeten centraal staan bij het onderzoek."[x] 

Afsluitende gedachten en aanbevelingen[xi]

AI in gepersonaliseerde geneeskunde integreert vaak multi-omics, beeldvorming en klinische gegevens en leert van eerdere patiënten terwijl het zich aanpast aan nieuwe patiënten. Volgens Desjardins kan men stellen dat continu leren de werking van het model verbetert als men deze methoden koppelt aan technische verbeteringen in de architectuur of training van het model. Bovendien zijn AI-tools die de generalisatie, interpretatie of trainingsefficiëntie van modellen verbeteren, hybride architecturen gebruiken of drift of overfitting bij patiëntenpopulaties verminderen, geen louter abstracte ideeën. Kortom, gepersonaliseerde geneeskunde-AI die niet alleen verandert wat de computer leert, maar ook hoe hij leert, kan een nieuwe veilige haven zijn voor octrooieerbaarheid voor sommige AI-uitvindingen op het gebied van de gezondheidszorg.

[i] Ex parte Desjardins, beroep 2024-000567, 26 september 2025.

[ii] De ARP heeft de afwijzing van de claims door de commissie als voor de hand liggend op grond van 35 U.S.C. § 103 niet herzien of teruggedraaid.

[iii]Ex parte Desjardins, op 2-3.

[iv]Id. op 4-6.

[v]Id. op 6-7.

[vi]Id. op 8-9.

[vii]Id.

[viii]Id.

[ix]Id.op 9.

[x]Id., interne verwijzingen weggelaten.

[xi] Hoewel Desjardins niet op dezelfde manier precedentieel is als een uitspraak van de rechtbank, zijn ARP-beslissingen bindend voor het USPTO onder het gezag van de directeur. Examinatoren en PTAB-panels moeten deze redenering dus volgen, tenzij deze wordt verworpen door het Federale Circuit of een toekomstige ARP-beslissing.

Het categorisch uitsluiten van AI-innovaties van octrooibescherming in de Verenigde Staten brengt het leiderschap van Amerika op het gebied van deze cruciale opkomende technologie in gevaar. Toch zijn volgens de redenering van het panel veel AI-innovaties mogelijk niet octrooieerbaar, zelfs als ze adequaat worden beschreven en niet voor de hand liggen, omdat het panel in wezen elke vorm van machine learning gelijkstelde aan een niet-octrooieerbaar "algoritme" en de overige aanvullende elementen als "generieke computeronderdelen", zonder adequate uitleg. Examinatoren en panels mogen claims niet op zo'n hoog niveau van algemeenheid beoordelen.

Bekijk artikel waarnaar wordt verwezen