十年来，人工智能（AI）与精准医疗领域的创新者始终面临一个顽固的悖论：那些实现癌症早期检测和个性化治疗方案的软件与机器学习突破性成果，却常常无法获得美国专利保护。在难以预测的Alice/Mayo框架下，专利审查员和法院常将自适应AI模型归类为"抽象概念"，将其等同于数学演习而非值得保护的技术进步。
这种局面对医疗领域最具前景的前沿领域之一产生了寒蝉效应，既抑制了投资与信息披露，也可能危及美国在生物医学人工智能领域的领导地位。
美国专利商标局2025年9月25日对德雅尔丹案[i]的重新审理，标志着该机构首次明确承认人工智能创新（包括医疗健康应用领域）具备专利资格。 上诉审查小组（ARP）撤销了针对DeepMind持续学习框架的§101条款驳回决定，认定该框架通过提升模型自身功能，实现了数学概念向实用应用的转化。值得注意的是，ARP不仅推翻了专利审判与上诉委员会的裁决并认定该专利主张具备可专利性[ii]，且该裁决书由美国专利商标局新任局长约翰·A·斯奎尔斯亲自执笔。
被驳回的索赔
所涉权利要求涉及一种计算机实现的机器学习模型训练方法。代表性独立权利要求1[iii]载明：
1. 一种计算机实现的机器学习模型训练方法，
其中，该机器学习模型具有至少多个参数，并已在第一机器学习任务上使用第一训练数据进行训练，以确定该机器学习模型中多个参数的第一值，且该方法包括：
对于多个参数中的每个参数，确定该参数对第一机器学习任务的重要性度量，包括：
基于在首个机器学习任务上训练机器学习模型所确定的多个参数的初始值，计算多个参数可能取值的后验分布近似值；利用该近似值为每个参数分配一个数值， 该值即为参数对首个机器学习任务重要性的度量，并近似表示在首个机器学习任务训练中，参数首个训练值成为参数正确值的概率——该概率以首个机器学习任务训练所用数据为前提条件。
获取用于训练机器学习模型执行第二项不同机器学习任务的第二训练数据；通过使用第二训练数据训练机器学习模型，调整多个参数的初始值，以优化机器学习模型在第二项机器学习任务中的性能，同时保持其在第一项机器学习任务中的性能表现。
其中，调整所述多个参数的第一值包括：将所述多个参数的第一值调整至能够优化目标函数的状态，该目标函数部分依赖于基于所述多个参数对第一机器学习任务重要性测度的惩罚项。
法律分析
该上诉委员会遵循了Alice/Mayo两步测试法及《专利审查指南》第2106节的分析框架。[iv]由于该问题具有决定性意义，合议组仅就第二步A（即Alice第一步）展开分析。在第二步A的第一项中，审查重点在于权利要求是否涉及抽象概念。本案中，ARP未对专利审判与上诉委员会的立场提出异议——即对参数进行近似计算构成数学运算，因而属于抽象概念。[v]
随后，专家小组进入第二步A项的第二部分，该部分的核心在于判断抽象概念是否已融入实际应用。在此环节，ARP基于多项理由与专利局存在分歧。首先，ARP认定该专利通过在保留前期知识的同时降低存储需求和系统复杂性，实现了学习模型运作方式的技术改进。[vi]其次，这些改进具有技术实质，而非单纯的用途领域限制。[vii]
该抗辩理由援引联邦巡回法院判例作为裁决依据，尤以Enfish, LLC.诉微软公司案（ 822 F.3D 1327, 1339 (Fed. Cir. 2016) 及McRO, Inc. v. Bandai Namco Games Am. Inc., 837 F.3d 1299, 1315 (Fed. Cir. 2016) 案，该判例认定基于软件的结构性或逻辑性改进可具备专利适格性。[viii] 审查员特别强调Enfish案，称该案是"联邦巡回法院关于技术改进可专利性的重要判例之一"，并援引Enfish判决书中 "软件能够对计算机技术进行非抽象改进，正如硬件改进所能实现的那样"的表述 。 该报告进而援引说明书中关于"所主张发明如何降低存储容量需求并简化系统复杂性"的表述，认为这体现了具备专利资格的技术改进。报告依据Alice/Mayo测试框架第二步A项第二分项提出的各项论点，均表明对机器学习模型或算法本身的改进属于技术改进，因而具备专利资格。
总而言之，德雅尔丹案为当前联邦巡回法院对《专利法》第101条的司法解释开辟了新路径，同时彰显并认可了人工智能对美国技术创新的重要意义：
在美国将人工智能创新完全排除在专利保护之外，危及了美国在这项关键新兴技术领域的领导地位。 然而根据该小组的推理，许多人工智能创新可能无法获得专利——即使它们描述充分且不显而易见——因为该小组在未充分说明的情况下，将任何机器学习等同于可专利的"算法"，并将其余附加要素视为"通用计算机组件"。 审查员和专家组不应以如此抽象的层面评估专利主张。[ix]
除撤销依据《美国法典》第35编第101条作出的驳回决定，并就人工智能相关技术的重要性作出有力声明外，斯奎尔斯局长还明确了《美国法典》第35编第101条在专利性分析中的恰当定位，指出"本案表明第102条、第103条和第112条才是限制专利保护范围至合理边界的传统且恰当的工具。这些法定条款应成为审查的核心。"[x] 103条及112条才是限制专利保护范围的传统且恰当的工具。审查工作应聚焦于这些法定条款。"[x]
结语与建议[xi]
在个性化医疗中，人工智能常整合多组学、影像学和临床数据，在适应新患者的同时从既往患者案例中学习。根据德雅尔丹的观点，若将这些方法与模型架构或训练的技术改进相结合，便可论证持续学习能优化模型功能。 此外，那些能提升模型泛化能力、可解释性或训练效率，采用混合架构，或减少不同患者群体间模型漂移与过拟合的人工智能工具，绝非抽象概念。总而言之，改变计算机学习方式（而非仅改变学习内容）的个性化医疗人工智能，或许能为某些医疗健康领域的人工智能发明开辟新的专利保护空间。
[i] 德雅尔丹案，上诉案号2024-000567，2025年9月26日.
[ii]专利复审委员会并未审查或撤销专利局依据《美国法典》第35编第103条以显而易见为由驳回该权利要求的决定。
[iii]《德雅尔丹案》，第2-3页。
[iv]同上，第4-6页。
[v]同上，第6-7页。
[vi]同上，第8-9页。
[vii]同上。
[viii]同上。
[ix]同上，第9页。
[x]同上，内部引文省略。
[xi] 尽管德雅尔丹案不具备法院判决那样的先例效力，但根据局长授权，行政复审程序（ARP）的裁决对美国专利商标局（USPTO）具有约束力。因此，审查员和专利审判与上诉委员会（PTAB）合议庭必须遵循该裁决的推理逻辑，除非联邦巡回上诉法院或未来的ARP裁决予以推翻。
在美国彻底将人工智能创新排除在专利保护范围之外，将危及美国在这项关键新兴技术领域的领导地位。然而根据该小组的推理，许多人工智能创新可能无法获得专利——即使它们描述充分且不显而易见——因为该小组在未充分说明的情况下，将任何机器学习等同于不可专利的"算法"，并将其余附加要素视为"通用计算机组件"。 审查员和专家小组不应以如此高度概括的方式评估专利主张。
查看参考文章
