How AI Helps Solve Medical Mysteries at Boston Children’s Hospital | OpenAI Forum

TL;DR：波士顿儿童医院与哈佛大学 Manton 中心孤儿病研究中心联合 OpenAI，在一项覆盖 376 个病例的研究中，用 AI 驱动工作流程找到相关证据，最终促成 18 例罕见病诊断；核心思路不是让 AI 直接下结论，而是让它做文献检索、假设排序和证据汇总，再由人类遗传学家审查。 ## 论坛开场：罕见病诊断的“奥德赛” 主持人在开场时指出，全世界有数亿家庭正在与罕见病作斗争，而平均获得诊断的时间是六到七年。对患者来说，这是一段漫长而艰难的历程。正是为了缩短这段历程，波士顿儿童医院和哈佛大学的 Manton 中心孤儿病研究中心与 OpenAI 展开了研究合作。 本次论坛首先邀请 Manton 中心研究参与者 Stav Rones 分享他为自己罕见病寻找诊断的经历，以及确诊带来的影响。随后，三位研究合著者参与讨论： - Dr. Katherryn Brownstein：Manton 中心基因发现团队科学主任，专注于基因组分析和诊断障碍。 - Dr. Alan Begs：Manton 中心主任，在人类遗传学和罕见病领域拥有数十年经验。 - Yash（Suya Shringerpur）：OpenAI 机器学习研究员和统计遗传学家，工作横跨 AI、基因组学和计算生物学。 讨论围绕几个问题展开：为什么罕见病仍然难以诊断？AI 工作流程是如何运作的？研究发现了什么？以及它的局限性是什么。之后，会议开放给社区进行对话。 ## 患者故事：Stav Rones Stav Rones 在波士顿地区出生和长大。他从小就喜爱运动，包括棒球、篮球、赛艇。当他在青少年时期变得更加有竞技性时，开始注意到自己遇到了其他孩子没有遇到的问题。 “当时不知道问题是什么，这非常令人沮丧。我会有某些疼痛，活动受到限制。” 他尝试寻求专业的医疗帮助，但花了很长时间才弄清楚这可能与遗传相关。而从那里再到做完整的基因组测试、弄清楚它是什么类型的罕见病，又是一个完整的过程。目前，Stav 住在佛罗里达州迈阿密，是一名软件工程师。 ### 从症状到确诊：多年时间 Stav 从青少年时期开始注意到症状，但获得正确诊断花了很长时间。他提到，有些症状表现如果是常见病，就更容易诊断；但对于罕见病，因为患者极少，人们对它的表现方式知之甚少。 - 花了至少三到四年，才弄清楚这不仅仅是身体问题，而且是神经系统问题。 - 从知道是神经系统问题，到最终确定是遗传问题，又是一个非常漫长的过程，至少五年。 ### 确诊带来的改变 对 Stav 来说，仅仅从知道问题到底是什么这一点来说，就帮助他定位自己，并适应知道自己得了什么病。 “如果你不知道问题是什么，你可能会做一些有害的事情。而确切地知道自己得了什么，你就可以加入一个由有同样情况的人组成的社区。” 确诊还带来了以下实际影响： - 能够和有同样情况的人在一起，互相理解。 - 有公司和团队正在为这些罕见病研发治疗方法和解决方案，确诊后可以开始参与进来，有可能找到治疗方法。 - 对 Stav 来说最重要的事情是家庭规划。知道自己得这种病在生育子女方面的意义非常重要，而借助现代技术，可以在某种程度上绕过这个问题。 ## 为什么罕见病如此难以诊断？ Alan Begs 指出，像 Stav 这样的经历太普遍了。人们常称之为“诊断奥德赛”。很多人知道有些事情不对劲，而近几十年来，我们意识到许多罕见病都有遗传基础。但测试所有基因的能力一直非常困难。 为了把问题放在背景中，Alan 给出了几个数字： - 我们的基因组——从父母各自继承的 DNA——大约有三十亿个碱基。 - 这三十亿个碱基编码大约两万个不同的基因。 - 每个基因又可以有多种不同的受损方式。 - 目前已知大约有八千到九千个不同的基因，在它们异常时与疾病相关。 过去，患者只能一次看几个基因。而更新的技术，统称为下一代测序，让我们能够测序所有东西。但这样得到的数据集会包含数十万、数百万甚至更多的遗传数据点。Alan 说，AI 能够帮助锁定其中相关的那些数据。 “对许多家庭来说，这是一个漫长的过程，就是所谓的遗传或诊断奥德赛。通过与像我们这样的研究机构以及世界各地的其他机构合作，人们最终能得到答案。” ## 遗传学家的时间瓶颈 Katherine Brownstein 描述了处理未解病例时的实际困难。当没有人知道发生了什么时，科学家会以开放的心态接触一个病例，从头开始，看已知基因，看是否有什么被漏掉了。 具体工作包括： - 如果有完整的三人家系，也就是父亲、母亲和孩子，就看孩子体内有什么是父母没有的。 - 每个人都携带所谓的“新发突变”，它们不在父母任何一方体内，但在我们体内。这是一个很好的起点，用来判断是否存在一个可能导致疾病的新发变异。 - 也可以看父母双方都是携带者的情况：孩子从每个父母那里各得到一个变异。 - 还可以看一个人基因组中的大片段变化，比如缺失或重复。事实上，很多缺失和重复我们所有人都有，而且完全正常。 “因为基因太多，我们必须查看那些我们认为可能导致疾病的基因，这需要大量时间。” 当看到一些有趣的东西时，还必须查遍所有数据库，确保它实际上不是一个常见变异，或者它没有被预测为会导致疾病。然后还要去查文献，读关于那个基因的所有资料。 “查看每一个变异需要大量工作。有时候，过了几个小时，你会想：‘哦，等等，不不不。这不可能是它。’然后你就去看下一个。所以，这确实是一个 LLM 能在这个过程中帮我们很多的真正机会。” ## 诊断对患者、家庭和护理团队的意义 Alan Begs 指出，对于像 Stav 这样患有神经肌肉疾病的患者，一般来说，患者通常是根据无力的模式和严重程度来被描述的。有些人走路困难，有些人需要辅助呼吸，可能是轻度，也可能是重度。 在当今医学中，对这类患者的管理和护理主要是支持性的。以神经肌肉疾病为例，上半身特定部位无力的患者可能会发展为脊柱弯曲，因此骨科管理可能涉及手术矫正以保持脊柱挺直。但确实没有什么靶向基因或疾病本身根本原因的治疗方式。 “通过识别异常的基因——这些基因导致了在这种情况下的无力——我们有望开始开发专门针对该原因的方法。在当今医学中，我们谈论个性化医疗的概念。不是仅仅给头痛的人一片阿司匹林，如果我们确切知道病因，我们也许能开发一种基于遗传学的方法。” Alan 特别提到，Stav 现在知道了自己的诊断，除了他提到的其他好处之外，他已经联系上了一家正在针对他的具体病情开发药物的公司。这是基因诊断带来的主要好处之一。 ### “尤里卡时刻” Alan 回忆起几次当诊断终于被识别的时刻。他说，有时你告诉人们发现的东西，他们会说：“原来如此，这就解释了。” 他分享了一个偶然发现的案例： > “我们测序了她孩子的 DNA，因为孩子生病了，我们识别出，比如，一个乳腺癌易感基因，它是从母亲那里遗传的。当我们把结果反馈给她时，她——她是一名护士——她的第一反应是‘哦，天哪’，而且她脑子里灯泡亮了；她的姐姐、她的母亲和一个姑姑都得过乳腺癌。而且她们完全不知道这有遗传成分。” 对有些人来说，这就是“尤里卡时刻”。Alan 总结道： - 对如今的一小部分患者来说，诊断带来了一种特定的疗法。 - 对所有人来说，诊断带来一个名称，一个社区。 - 它还带来一些关于你的未来、你的预后、未来可能会怎样的信息。 - 对于那些选择利用它的人来说，还有潜在的家庭规划信息。 ## Katherine 的视角：确诊时刻与继续工作 Katherine 说，她通常不见家属，只有少数几次，他们要求见她。那通常相当情绪化，因为患者家庭一直在经历这段奥德赛。对他们来说，旅程那么漫长、那么令人沮丧——从一个医生到另一个医生，从一个专科到另一个专科，还有所有这些检测。 她分享了一个难忘的例子： > “在 Manton 中心，有一次我们诊断了一位 91 岁的老人——那是一位家庭成员，他的病已经遗传了三代——最终到第三代我们终于弄明白了发生了什么，并把结果反馈给整个家庭。即便 91 岁了，他也说：‘哦，我们终于有了一种理解，我们现在知道发生了什么了。’” 但 Katherine 也说，每次有“我们终于弄明白了”的奇妙感觉时，她也会为自己无法弄清其他病例而感到非常沮丧。所以她常说：“好，回去工作。” ## AI 工作流程：从已诊断病例到未解病例 Yash 解释了研究团队如何使用 OpenAI 03D research 构建工作流程。 “就像 Katherine 描述的那样，她不断详尽地检查可能导致疾病的遗传变异。我们想知道，我们是否可以通过让 AI 模型做文献检索、识别假设，并把那个列表呈现给人来优先排序，从而加速这个过程。” 研究首先专注于从 Alan 和 Katherine 那里获取输入，包括： - 模型应该得到什么样的