RareDxR1：超越人工標註的罕見病自主醫療推理

近日，研究人員提出了一種名為RareDxR1的新型大語言模型，旨在直接根據非結構化臨床筆記進行罕見病的開放域診斷。罕見病的鑑別診斷是一項艱鉅的臨床任務，需要醫生從複雜、非結構化的患者症狀中識別出精確的表型，並在龐大的搜尋空間中進行復雜的推理。然而，現有的AI方法通常依賴於基於流水線的表型提取或檢索增強生成（RAG），這些方法由於預定義本體、檢索瓶頸和缺乏診斷邏輯而導致關鍵資訊丟失。

為了應對這些挑戰，RareDxR1採用了一種端到端的訓練框架，透過協同知識內化和自主進化學習，繞過了對結構化表型和封閉集決策的依賴。該模型將零散的罕見病知識直接深度內化到模型引數中，從而克服了RAG和表型限制。研究團隊設計了一種漸進式訓練流程，首先透過知識內化使模型掌握海量罕見病知識，然後透過自主進化學習讓模型在模擬診斷環境中不斷自我改進。這種雙階段策略使得模型能夠從失敗中學習，逐步提升診斷能力。

此外，為了彌合模型生成與專家推理之間的差距，研究團隊提出了反思增強推理取樣（RERS）策略。該策略透過從失敗中學習來合成專家級的診斷軌跡，且無需人工標註。具體來說，RERS首先讓模型對病例進行初步診斷，然後對比正確結果，分析錯誤原因，並生成包含反思過程的診斷軌跡。這些軌跡隨後被用於強化學習，使模型能夠模仿專家的推理過程。同時，還引入了一種雙級課程強化學習方法，用於逐步掌握罕見病診斷：第一級課程聚焦於常見罕見病的識別，第二級課程則挑戰更罕見、更復雜的病例。

實驗結果顯示，RareDxR1在多個基準測試中達到了最先進的準確率，包括在DDXPlus、RareDis和CustomRare等資料集上的評估。與傳統的RAG方法和基於表型提取的模型相比，RareDxR1在診斷準確性上提升了顯著幅度，特別是在處理非結構化文本和罕見病例時表現出色。這一成果標誌著開放域罕見病診斷領域的一項重大突破，證明了無需人工標註、直接從臨床筆記中學習診斷推理的可行性。研究團隊表示，他們的程式碼和資料集將公開發布，以促進該領域的進一步研究。該論文已被2026年IEEE國際多媒體與博覽會（ICME）接收。