【OPENAI】AI辅助复析助诊罕见儿童遗传病

研究团队用OpenAI的o3 Deep Research推理模型对376例既往未解的儿童遗传病病例进行重新分析，模型生成证据链并提示候选致病解释，经过专家复核与临床验证后新增18例确诊，额外诊断率为4.8%。该工作展示了AI可作为专家主导的线索生成层，提高对长期未解病例的周期性复解析读性，但模型本身不做诊断决定。

背景与动机
– 许多接受基因组测序的罕见病患者仍无明确分子诊断，约半数未被诊断。
– 随着基因-疾病关联、文献和数据库不断更新，老病例可能在后来获得可解释的证据。

方法概要
– 数据：376例既往经专家分析仍未解的去识别临床与基因组信息（包括HPO表型、临床记录概要、过滤后的变异表、父母数据等）。
– 模型：使用OpenAI o3 Deep Research作为“解释-优先”推理层，要求模型提出最可行的分子解释并“展示推理过程”与证据链。
– 专家流程：至少两名研究者按ACMG/AMP框架复核模型输出，达成共识后才作为候选；最终需经CLIA实验室确认并由临床团队告知家庭才能计为确诊。
– 事前验证：在已确诊案例集合上重复运行，模型能较好回溯正确基因/变异，且自报置信度在已知正确与错误案例间有区分，但不作为决定性证据。

主要结果
– 四个队列：神经发育（100例）、神经肌肉病（61例）、儿科突发死亡（200例）、早发精神病（15例）。
– 模型提示并经后续确认的新增确诊：18例（总增益4.8%）；各队列产率分别为10.0%、6.6%、1.0%、13.3%。
– 其中7例为已在其他途径被诊断的重发现，其余为经本次流程确认的新诊断。

局限与注意事项
– 增益虽为单数字，但在长期被专家审阅仍未解的病例中具有实际意义；更高产率通常出现在新病例或已知疾病等待基因确认的研究中。
– 模型仅生成证据型假设，绝不替代人工判定或临床实验室确认。
– 自报置信度非校准概率，不能单独作为临床决策依据。

未来方向
– 将模型作为可扩展的线索生成层以支持周期性复析，减轻随知识库演进带来的维护负担。
– 强调专家主导、严格实验室验证与伦理合规的工作流以确保临床安全性。

该研究谨慎将大模型用于线索生成，展示了AI在提高难治罕见病复析效率上的潜力，但仍需严格专家与实验室验证链路。

原文链接