RD罕见病诊断系统（DeepRare）

罕见病虽“罕见”，但全球累计影响超 3亿人。由于症状复杂、医生认知有限，患者往往经历“诊断长跑”——平均耗时 5-7年，期间可能接受数十次误诊。

为破解这一难题，上海交通大学、新华医院、上海人工智能实验室与哈佛医学院联合研发并发布 DeepRare —— 全球首个基于大语言模型（LLM）的可解释型罕见病智能诊断系统。

该系统不仅能处理自由文本、HPO术语、基因VCF文件等多模态输入，更能通过迭代式证据收集与自我反思机制，生成带有透明推理链的诊断建议，在测试中对 1013种罕见病实现100%召回率（在2919种疾病中），显著优于现有工具。

核心目标：让AI诊断“可理解、可验证、可协作”

传统AI诊断模型常被视为“黑箱”：给出结果却无法解释“为何是这个病”。这在临床场景中难以被医生信任。

DeepRare 的核心突破在于：

不仅告诉你“是什么病”，还清晰展示“为什么是这个病”。

它将诊断过程重构为一个人机协同的推理流程，最终输出一份按可能性排序的疾病列表，每一条都附带：

• 关键证据摘要；
• 引用的医学文献或数据库条目（如OMIM、ClinVar）；
• 与患者表型和基因变异的匹配逻辑。

这种“可解释性”是其能进入真实临床工作流的关键。

技术架构：模块化智能体系统

DeepRare 并非单一模型，而是一个由多个智能体协同工作的模块化诊断系统，包含三大核心组件：

1. 信息收集：多源证据采集

系统接收患者数据后，自动分解为多个子任务，调用专业“代理”从权威数据库中检索证据：

• 表型匹配 → HPO数据库、Orphanet
• 基因变异分析 → OMIM、ClinVar、gnomAD
• 疾病-基因关联 → GenCC、PanelApp

支持输入形式包括：

• 自由文本临床描述（如“患儿发育迟缓、肌张力低下”）
• HPO 术语（标准表型本体）
• VCF 基因检测文件

2. 自我反思诊断：迭代验证假设

中央主机整合证据，生成初步诊断假设，并启动“自我反思”机制：

• 质疑假设的合理性；
• 检查是否存在更匹配的疾病；
• 验证基因-表型一致性；
• 排除常见病或误报变异。

这一过程可多次迭代，显著降低误诊风险。

3. 输出诊断结果：透明推理链

最终输出：

• 一个按概率排序的罕见病列表（Recall@1 达70.6%）；
• 每个诊断附带完整的推理路径；
• 所有引用来源可追溯、可验证。

✅ 主要功能亮点

 测试表现：全面领先现有方法

💡 在180个真实病例中，10位罕见病专家对推理链进行盲评，结果显示其与权威来源高度一致。

临床价值：从“辅助”到“协作者”

DeepRare 不是替代医生，而是成为其“智能协作者”：

• 缩短诊断周期：从数年缩短至数小时；
• 减少误诊漏诊：尤其适用于基层医院缺乏罕见病经验的医生；
• 支持科研与教学：提供结构化诊断路径，用于病例分析与培训。

未来可集成至医院电子病历系统或基因检测平台，实现“检测-分析-诊断”闭环。