RareDxR1：人間のアノテーションを超えた希少疾患診断のための自律的医療推論
RareDxR1は、非構造化臨床ノートから直接オープンドメインの希少疾患診断を行うためのエンドツーエンドの推論中心大規模言語モデルです。知識の内在化と自律的進化学習を統合し、従来のパイプラインベースの表現型抽出や検索拡張生成の限界を克服します。また、Reflection-Enhanced Reasoning Samplingと二重レベルカリキュラム強化学習を採用し、診断精度を向上させます。実験では、複数のベンチマークで最先端の結果を示しています。
研究者らは、非構造化臨床ノートから直接希少疾患を診断するための新しい大規模言語モデル「RareDxR1」を提案した。希少疾患の鑑別診断は、複雑で非構造化された患者症状から正確な表現型を特定し、広大な検索空間内で複雑な推論を実行する必要がある、困難な臨床タスクである。しかし、既存のAIアプローチは通常、パイプラインベースの表現型抽出または検索拡張生成（RAG）に依存しており、定義済みオントロジー、検索ボトルネック、診断ロジックの欠如により、重大な情報損失が生じていた。
これらの課題に対処するため、RareDxR1は、知識内在化と自律的進化学習を相乗させるエンドツーエンドのトレーニングフレームワークを採用し、構造化表現型やクローズドセットの意思決定への依存を回避する。モデルは断片的な希少疾患知識をパラメータに直接深く内在化し、RAGや表現型制限の限界を克服する。研究チームは、まず知識内在化フェーズでモデルに膨大な希少疾患知識を学習させ、次に自律的進化学習フェーズで模擬診断環境において自己改善を繰り返す二段階戦略を設計した。これにより、モデルは失敗から学び、診断能力を段階的に向上させることができる。
さらに、モデル生成と専門家推論のギャップを埋めるため、Reflection-Enhanced Reasoning Sampling（RERS）戦略を提案する。これは、人間のアノテーションなしで失敗から学習し、専門家レベルの診断軌跡を合成する。具体的には、まずモデルに症例の初期診断を行わせ、正しい結果と比較してエラー原因を分析し、反省プロセスを含む診断軌跡を生成する。これらの軌跡は強化学習に使用され、モデルが専門家の推論プロセスを模倣できるようになる。また、希少疾患診断を段階的に習得するための二重レベルカリキュラム強化学習アプローチも導入する。第一レベルは一般的な希少疾患の識別に焦点を当て、第二レベルはより稀で複雑な症例に挑戦する。
実験結果は、RareDxR1がDDXPlus、RareDis、CustomRareなどの複数のベンチマークで最先端の精度を達成し、従来のRAG手法や表現型抽出ベースのモデルと比較して、特に非構造化テキストや稀な症例の処理において顕著な改善を示した。これは、オープンドメイン希少疾患診断における重要なブレークスルーであり、人間のアノテーションなしで臨床ノートから直接診断推論を学習する可能性を実証している。研究チームは、コードとデータセットを公開する予定である。本論文は、2026年IEEE International Conference on Multimedia and Expo（ICME）に採択されている。