用AI帮助医生诊断儿童罕见遗传病

罕见病基因诊断的困境在于：即使做了全基因组测序和专家会诊，仍有约一半的患者无法找到明确的遗传解释。这些病例不是没有线索，而是线索分散在数万个变异、碎片化的临床记录和不断更新的文献中，人工很难拼出全貌。随着新基因-疾病关系的发现，旧数据可能隐藏着新答案，但靠人力反复重审积压的病例是不现实的。

波士顿儿童医院、哈佛和OpenAI的研究者用OpenAI o3 Deep Research模型重新分析了376个经专家复查仍未解开的病例。他们给模型输入了标准化的表型术语、家族数据和变异表，要求模型不仅给出候选基因，还要把临床表现、遗传模式、变异证据和文献串成一条可审查的逻辑链。在51个已知诊断的病例中，模型在重复运行中正确找出了48个。随后应用到未解病例，经过专家审查、额外检测和临床确认，新增了18个诊断，把诊断率提高了4.8%。模型不是诊断者，它只是生成有证据支撑的假设，让专家去判断。

最让人兴奋的不是这个数字本身，而是它揭示了AI在“重新分析”这个环节的独特价值——它能把散落的数据和知识拼接成可测试的假设，甚至推测出隐藏的结构变异（如22q11.2缺失）和可能的表型扩展。当然，这项研究是回顾性的，没有测量时间、成本或假阳性负担。但它指明了方向：未来的罕见病诊断不应该是单次检测，而应该是一个周期性的、人机协作的追踪过程。前提是专家始终在回路中，AI只是帮他们扫盲区、提线索。