AI帮助医生破解罕见遗传病谜题：376个未确诊病例中找到18个新答案

对于许多患有罕见遗传疾病的儿童来说，基因检测并不意味着马上得到答案。

现代基因测序技术已经能够读取大量遗传信息，但面对复杂病例，医生仍可能长期无法确定真正导致疾病的基因变化。患者可能经历多年检查、多个专科会诊，最终仍停留在“不明原因”。

如今，人工智能正在尝试解决另一个问题：不是重新检测更多数据，而是重新理解过去已经拥有的数据。

一项由 波士顿儿童医院 Manton Center for Orphan Disease Research、哈佛大学和OpenAI研究人员共同开展的研究显示，AI模型可以帮助专家重新审视多年以前的未解决病例，从海量医学文献、遗传变异信息和患者表现中发现新的关联。

这项研究发表于 2026年6月18日的 NEJM AI。

研究团队使用 OpenAI o3 Deep Research 推理模型，分析了 376例此前经过专家评估但仍未找到明确答案的病例。

这些病例来自多个罕见疾病领域，包括：

这些患者并不是刚刚接受基因检测的新病例，而是已经经过医疗机构、商业检测平台和多学科团队分析，却仍然没有明确诊断的复杂病例。

研究人员希望回答一个问题：

随着医学知识不断增加，过去没有答案的病例，是否可能因为新的科学发现而重新找到答案？

AI在这里承担的角色，并不是“医生”，而是一个能够帮助专家重新整理线索的研究助手。

最终结果显示，在专家进一步审核、追加检测并完成临床确认后，研究团队在18个病例中建立了新的诊断。

也就是说，在此前已经无法解决的376个病例中，AI辅助流程带来了 4.8%的额外诊断发现率。

这一比例看似不高，但对于已经经历多年排查仍无答案的罕见病患者来说，每一个新增诊断都可能改变家庭对疾病的理解和未来管理方式。

传统遗传疾病诊断通常需要医生寻找：

但罕见病最大的困难在于，信息分散。

患者的症状可能记录在不同医院；基因数据可能存储在不同系统；医学论文每天增加；过去被认为“不相关”的基因变异，也可能随着研究进展重新被认识。

AI的优势在于，可以同时处理大量不同来源的信息。

在这项研究中，研究人员向模型提供经过去身份化处理的数据，包括：

模型随后需要提出：

“最可能的分子原因是什么？”

但关键区别在于，它不能只给出一个基因名称。

研究团队要求模型解释推理过程：

为什么这个基因可能相关？

为什么这个变异值得关注？

患者症状和遗传机制之间有什么联系？

这种“解释优先”的方式，使医生能够检查AI提出的依据，而不是简单接受一个黑箱答案。

最终，所有候选结果仍然按照医学领域使用的 ACMG/AMP遗传变异分类标准进行人工审核。

只有满足：

才被计入真正诊断。

这项研究的重要意义，并不是证明AI可以替代遗传医生。

真正发生变化的是：

AI开始成为医学知识更新过程中的“重新分析工具”。

过去，一次基因检测如果没有找到答案，患者往往只能等待新的技术。

但实际上，患者的基因不会变化，变化的是外部知识。

例如：

十年前，一个基因可能还没有被发现与某种疾病相关；

五年前，一个变异可能被认为意义不明；

几年后，随着更多病例出现，它可能被重新分类。

因此，罕见病诊断越来越像一个持续维护的问题。

研究人员认为，未来医学机构可能需要像软件更新一样，定期重新分析过去的基因数据。

AI可以帮助扩大这种重新分析规模。

研究中，一个案例显示，AI甚至发现输入数据中没有明确标注的基因结构异常。

在一个早期精神疾病病例中，模型结合患者心脏、免疫、神经发育和精神症状，推测可能存在 22q11.2缺失综合征相关基因变化。

后续全基因组检测确认了这一猜测。

不过，这并代表AI可以独立发现所有疾病，而是说明它能够帮助研究人员发现值得进一步验证的方向。

对于医生而言，AI最大的价值可能不是提供答案，而是减少寻找答案的时间。

罕见病专家面对的问题是：

世界上已经发现的罕见疾病超过数千种，而医生不可能记住所有疾病、所有基因和所有最新论文。

AI可以帮助医生快速建立候选范围。

对于患者家庭而言，长期无法确诊最大的困难不仅是治疗，也是“不知道发生了什么”。

一个明确的遗传诊断可能帮助家庭：

对于科研机构而言，AI辅助重新分析过去病例，也可能帮助发现新的疾病机制。

研究中，AI提出了一个关于 S1PR1基因与白癜风关系的新假设。

研究人员认为，该基因变化可能影响细胞信号和免疫过程，从而影响色素生成。

但这一关系仍需要实验验证，目前不能视为已经确定的新疾病机制。

这项研究同时强调，AI距离直接进入临床诊断流程仍有明显距离。

首先，AI产生的是“候选解释”，不是医学结论。

大型语言模型可能生成看似合理但实际错误的解释，因此必须经过专业人员审核。

其次，这项研究属于回顾性分析。

研究团队还没有系统评估：

此外，研究覆盖的病例类型有限。

一些复杂遗传问题，例如：

并没有被系统评估。

隐私也是未来应用的重要问题。

医学数据涉及高度敏感信息，AI系统需要满足数据安全、访问控制、审计记录以及当地医疗法规要求。

因此，未来更现实的发展方向不是“AI医生”，而是：

医生使用AI作为遗传分析助手。

这项研究展示了一种新的医学AI方向：

不是让AI直接做诊断，而是让AI帮助专家重新发现隐藏在旧数据中的新线索。

对于罕见遗传疾病而言，最大的挑战往往不是没有数据，而是数据中的信息还没有被正确连接。

未来值得关注的指标，不是AI能否替代医生，而是：

它是否能够稳定提高诊断效率，减少患者等待多年仍无答案的情况，并在严格监管下成为医疗团队可靠的辅助工具。

对于数千个仍在寻找答案的罕见病家庭来说，AI带来的最大价值，可能不是创造新的医学知识，而是帮助人类更快发现已经存在但尚未被理解的答案。