破解诊断密码：专家临床医生与人工智能在罕见病诊断中的正面交锋

《Orphanet Journal of Rare Diseases》：Cracking the code: a head-to-head comparison of expert clinicians and artificial intelligence in diagnosing rare diseases

本研究针对罕见病诊断延迟的临床难题，前瞻性评估人工智能诊断工具"Isabel Healthcare DDx companion"在真实临床环境中的表现。通过100例疑似罕见病患者头对头比较发现，该AI工具与多学科专家会诊的诊断建议匹配率达28%，其中"更可能"分级诊断与专家决策相关性最高，证实AI辅助诊断在优化临床决策流程中具有应用潜力。

　　

在医学领域的"侦探工作"中，罕见病诊断堪称最具挑战性的任务之一。目前已知的罕见病超过6000种，虽然单种疾病患病率不足1/2000，但患者群体总数却十分庞大。这些患者往往需要经历平均长达五年的"诊断之旅"，辗转于不同科室之间，承受着身心双重负担。这种诊断延迟不仅延误治疗时机，还可能导致不必要的医疗资源消耗。为破解这一难题，德国已在大学医院建立了30多个罕见病中心，通过多学科专家会诊（interdisciplinary case conference）制度来加速诊断进程。

随着人工智能技术的迅猛发展，医疗领域也迎来了新的变革契机。特别是在影像诊断领域，AI已展现出巨大潜力，但在复杂临床诊断场景中的应用效果仍需验证。在此背景下，波恩大学医院罕见病中心的研究团队开展了一项创新性研究，将AI诊断工具与人类专家的诊断能力进行正面比较，相关成果发表于《Orphanet Journal of Rare Diseases》。

研究团队采用前瞻性观察设计，在2020年10月至2022年1月期间纳入了100名18-65岁的疑似罕见病患者。这些患者均具有持续六个月以上的未确诊症状，且经医生或自我评估认为可能患有罕见疾病。研究过程中，所有病例首先经过多学科专家会诊讨论，随后使用"Isabel Healthcare DDx companion"进行独立分析，确保两种诊断方法的输入信息完全一致。

关键技术方法包括：前瞻性队列设计（100例疑似罕见病患者）、多学科专家会诊诊断评估、AI诊断工具（Isabel Healthcare DDx companion）的平行分析、以及诊断建议的匹配度统计比较。所有患者数据均来自波恩大学医院罕见病中心，经伦理委员会批准且获得患者知情同意。

Epidemiological insights and clinical profiles

研究队列平均年龄44岁，BMI指数23.8 kg/m²，女性占比68%。患者临床表现复杂，平均每人出现7.22种症状，但临床体征较少（平均<1个）。值得注意的是，患者平均已有2.76项既往前期诊断，用药种类达4.1种，反映了罕见病患者典型的"诊断之旅"复杂性。

Comparison of the diagnosis suggestions made by "Isabel Healthcare" to those of the interdisciplinary case conferences

AI工具为100例患者生成了4016条诊断建议，而多学科会诊仅提出253项疑似诊断和129项进一步检查建议。在AI工具的前十位诊断建议中，"更可能"（more likely）分级占比最高（中位数4条），而"不太可能"（less likely）分级极少出现。

关键发现显示，66%的病例中AI工具的前十位诊断建议与专家会诊结果完全无匹配，28%的病例有一个诊断匹配，仅6%的病例达到两个诊断匹配。当仅比较进一步检查建议时，匹配率略有提升（18%的病例有一个匹配）。最重要的是，AI工具中"更可能"分级的诊断建议与专家决策匹配度最高（25/432），显著优于"可能"（13/484）和"不太可能"分级（2/84）。

讨论与结论

本研究揭示了AI诊断工具在真实临床环境中的双重性：一方面，Isabel Healthcare在"更可能"分级诊断中展现出与专家决策的一致性，说明其在优先级排序方面具有实用价值；另一方面，高达66%的完全不匹配率表明，AI工具对未经临床医生筛选的原始医疗信息处理能力有限。

这种局限性并非Isabel Healthcare特有，其他在线症状检查器也面临类似挑战。然而，研究证实包含正确诊断的鉴别诊断列表能够支持临床决策，减少诊断错误。与回顾性研究相比，本研究的前瞻性设计更真实地反映了临床实践场景，避免了病例预选偏差。

值得注意的是，AI工具在罕见病诊断中的实用价值可能更适合复杂病例，而在初级医疗场景中，时间成本和工作流程整合问题可能导致使用率较低。未来的研究方向应探索经临床专家分级处理的输入信息是否能提升AI诊断准确性，以及如何将大型语言模型（如ChatGPT）与自适应检索机制结合，进一步优化诊断支持系统。

本研究为AI辅助罕见病诊断提供了现实世界的证据基础，强调虽然AI工具能够扩展医生的鉴别诊断思路，但临床医生的专业判断和信息过滤能力仍是确保诊断准确性的核心要素。在人工智能与人类专家协同作战的新时代，这种"人机协作"模式有望为罕见病患者开启更快速、更精准的诊断新纪元。