AI工具整合临床与遗传数据，提高罕见病诊断能力

研究人员在中国开发了一种基于人工智能（AI）的工具，将包括遗传数据、临床症状以及医生病历记录在内的多种患者信息结合起来，帮助更快速且更准确地诊断罕见病。

罕见病——通常定义为患病人数少于每2,000人中1人的疾病——合计影响全球超过3亿人。迄今已识别出7,000多种不同疾病，其中约80%起源于遗传因素。尽管总体负担沉重，罕见病由于临床异质性强、单个疾病患病率低以及临床医生熟悉度有限而长期以“难诊断”著称。

近年来，大量研究试图缩短罕见病患者获得诊断所需的漫长等待期，有时甚至超过5年。诸如新生儿全基因组测序等方法的成功推动了该领域进展，但并非所有人都能获得生物信息学专家的支持，而且这些方法产生的海量数据也可能让医疗服务提供者难以应对。

在这项研究中，研究人员构建了一个大语言模型（LLM），并在其外围搭建了一个代理式系统，即由一组专门的AI代理组成的体系，每个代理各司其职，例如从文本中提取症状、将症状与已知疾病进行匹配，或对遗传变异进行注释与排序等。

该工具被他们命名为 DeepRare。它利用关键症状寻找相似病例和医学论文，分析遗传变异，并生成一份可能的罕见病候选短名单。

来自上海多家研究机构与高校的团队在亚洲、北美和欧洲的医院及公共数据集中，使用6,401例患者病例对所开发的工具进行了测试。他们还将其与现有工具、多个大型AI模型以及罕见病专科医生的意见进行了比较。

总体而言，DeepRare在罕见病诊断的标准方法以及其他已知AI模型对比中表现更佳。在同时使用症状和遗传数据时，该工具在一个队列中能够正确诊断 69%的患者。它也优于一款知名软件Exomiser（得分56%），该软件常用于解读原始基因组学文件并寻找可能致病的变异。

在与专家意见对照的163例直接比较中，DeepRare在约 79%的病例 中给出诊断，而专家为66%。专家在审阅DeepRare使用的推理链与参考文献后认为，其在95%的情况下使用了正确的信息。

DeepRare的临床意义不仅体现在诊断准确性上，还在于应对罕见病照护交付中的基础性挑战。该系统能够提供基于证据的推理链，并附带可核验的参考来源，有望显著减少文献检索与病例研究所需时间。此外，该系统在不同医学专科中表现一致，提示其可作为一种有价值的决策支持工具，帮助那些不常遇到罕见病的非专科医生。

这种对罕见病专业知识的“民主化”在资源受限的医疗环境或专科可及性不足的地区可能尤为重要，有望减少罕见病诊断中的医疗差异。研究团队在 Nature 上描述了这项工作。