許多患有罕見遺傳疾病的兒童，即便經過全基因組定序（Genomic Sequencing，一種讀取個體所有 DNA 序列的技術），仍有約一半的人無法獲得明確診斷。這並非因為數據不足，而是因為數據量太大且知識更新太快。一名患者的基因變異可能涉及數百萬種可能性，而診斷需要將臨床症狀、家族病史與海量的科學文獻交叉比對。
對於醫療專家而言，這是一個典型的資訊檢索與合成問題。當新的基因與疾病關聯被發現時，舊的病例可能會在新的知識背景下變得可以解釋。然而，醫學專家的人力有限，無法對數以千計的舊病例進行定期的重新分析。
AI 如何協助罕見病診斷
波士頓兒童醫院與 OpenAI 的研究團隊嘗試使用 o3 Deep Research 這一類具有強推理能力的模型，對 376 例先前無法診斷的病例進行重新分析。
這次實作的核心並非讓 AI 直接給出診斷結果，而是將 AI 定位為一個解釋優先的推理層（Explanation-first reasoning layer）。在傳統的基因分析流程中，系統通常只會回傳一個基因排名清單，但研究團隊要求 AI 必須將臨床特徵、遺傳模式、變異證據以及科學文獻整合在一起，形成一個完整的論證過程，讓人類醫師可以對其邏輯進行審查。
具體的分析工作流
為了讓 AI 能夠有效推理，研究團隊為每個病例準備了一套去識別化的數據包，包含以下關鍵資訊：
第一是標準化的人類表型本體論（Human Phenotype Ontology, HPO）術語，用來精確描述患者的臨床表現，避免自然語言的歧義。
第二是變異表格（Variant Table），記錄每個基因變異的稀有程度、對蛋白質功能的預測影響、ClinVar（一個公開的基因變異與人類表型關聯數據庫）分類以及家族成員的訊號質量。
AI 的角色是提出最可能的分子解釋並展示推理過程。隨後，專家會根據 ACMG/AMP（美國醫學遺傳學與基因組學會的標準框架）對 AI 提出的候選方案進行審核。只有在經過專家審查、臨床實驗室確認且被判定為致病或可能致病的變異後，才會正式確立診斷。
實務成效與技術突破
在 376 個極其困難的病例中，AI 成功幫助醫師在 18 個病例中找到了診斷線索，增加了 4.8% 的診斷率。雖然數字看似不高，但在這些已經被多方專家審視多年仍未破案的病例中，這個增益非常有意義。
值得關注的是 AI 在處理複雜數據時的靈活性：
在某些病例中，AI 能從低質量的數據訊號中推論出基因組的結構性事件（例如缺失），進而提出假設並在隨後的定序中得到驗證。
AI 能夠識別雙基因遺傳（Digenic inheritance），即兩種不同基因的變異共同導致了複雜的臨床表現，而這類情況在單基因分析中很容易被忽略。
AI 甚至能提出新的生物學假設，例如將特定的氨基酸缺失與白斑症（Vitiligo）的機制聯繫起來，為未來的實驗研究提供方向。
對工程師與醫療從業者的啟示
這次研究明確定義了 AI 在高風險醫療領域的正確定位：AI 不是診斷者，而是線索產生器。
首先是解決時間瓶頸。專家無法將 8,000 種罕見病全部記在腦中，AI 的強項在於快速合成跨領域的碎片化知識。
其次是信心分數的參考價值。研究發現 AI 自評的信心分數與診斷正確率呈正相關，雖然不能替代證據，但能有效指引專家優先審查哪些候選方案。
最後是系統性重新分析的重要性。基因組數據是靜態的，但科學知識是動態的。建立一套 AI 驅動的定期重新分析機制，能讓患者在知識進步時及時獲得答案。
限制與未來方向
儘管成效顯著，但此類工作流仍有嚴格限制。大語言模型可能會產生看似合理但錯誤的解釋（幻覺），因此必須經過人類審核與臨床實驗室驗證。此外，隱私保護、審計日誌以及對結構變異等複雜基因變異的分析能力，仍是未來需要優化的方向。
來源：openai.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。