Genosolver：读取临床病历以诊断罕见病的大语言模型——在已解决病例中致病基因排名第一的比例为72%，但在未解决病例上仅多出1.7%的诊断

德国亚琛工业大学（RWTH）人类遗传学中心的一支团队构建了Genosolver，一条读取原始临床报告、提取患者特征、再对遗传变异重新排序以提出罕见病诊断的大语言模型链。在233例已解决的病例中，致病基因排名第一的比例为72%，进入前十的比例为94%，领先于参考工具Exomiser。但当应用于1 875例仍未获诊断的病例时，该工具仅多解决1.7%，比较对象获得的信息比模型少，且所测试的大模型中只有一个胜过参考。

关于背景

单看一种罕见病影响的人数很少，但罕见病有数千种，合起来涉及数千万患者。许多罕见病有遗传病因。诊断之路——所谓"诊断的奥德赛"——往往长达数年，尽管进行了外显子组测序（WES，读取基因组的编码区）或全基因组测序（WGS），大多数患者在经过最先进的检查后仍得不到答案。

瓶颈不仅在基因组，也在表型。为了把患者与某个基因匹配起来，人们把临床体征概括为人类表型本体论（HPO，一套受控词表，为每个症状赋予唯一标识符）中的标准化术语。但HPO难以捕捉起病年龄、随时间的演变、某个症状的细节、家族史，或某个体征的缺失——这些信息存在于报告的自由文本中，而非一份代码清单里。大语言模型（LLM，为生成文本而训练、能够阅读和概括文档的模型）和推理模型（LRM，训练成在作答前展开推理步骤的LLM）的承诺，正是去读取这些原始文本。这份预印本的问题是：这种阅读是否真的改善了诊断？在真实条件下又改善了多少？

关于方法

Genosolver是一条由三个模块构成的链条，不对模型进行再训练，并用RAG方法加以增强（检索增强生成：模型先从文档库中检索相关段落，再据此推理，而非仅凭记忆）。第一个模块从非结构化记录中提取表型特征。第二个模块通过向量检索过滤知识库（GeneReviews、UniProt、HPO），生成候选疾病清单。第三个模块把这些假设与患者的变异清单匹配并重新排序，同时给出推理摘要。

所查询的知识库规模庞大：从GeneReviews的950个章节派生出102 899条基因-表型记录，来自UniProt、覆盖12 260个基因的12 412条基因-疾病关联。德语临床文本由一个专用模型译为英语。在最终的优先排序中，作者比较了若干可本地运行的LLM——Llama-3.3-70B、MedGo 32B、DeepSeek-R1-Distill-70B、GPT OSS 120B——以及通过欧盟境内驻留服务调用的GPT-5.1，这一选择出于健康数据保密的考虑（一切均在本地或欧盟境内运行）。

主要评估针对233例已在亚琛完成基因诊断的病例（神经发育障碍、神经肌肉疾病、器官特异性疾病和血液病；中位年龄25.5岁）。比较对象是Exomiser，一款成熟的变异优先排序工具，以其标准设置和专家分配的HPO术语运行。指标是命中率@k（recall@k）：正确基因位于清单前k位的病例比例，k = 1、3、5、10。第二个队列作为全尺度检验：1 875例先前未解决的病例，在测序后两到三年重新分析。

关于结果

在233例已解决病例上，最佳配置——喂入原始病历并与GPT OSS 120B耦合的Genosolver——将致病基因排在第一的比例为72%（recall@1 = 0.72），进入前三的为83%，进入前十的为94%（recall@10 = 0.94）。第二名Exomiser在相同位次达到0.63 / 0.78 / 0.85：在recall@10上差距约为九个百分点。值得注意的是，这一结果依赖于单一模型：所测试的另外三个LLM均未胜过参考。当把原始病历换成仅有的HPO术语时，Genosolver的优势随之消失，这印证了增益来自对自由文本的阅读，而非架构。

阅读文本带来了实实在在的信息：所提取的522个表型要素无法对应到任何HPO术语，其中342个是被专家直接漏掉的性状，67个是时间信息（起病年龄、演变），8个是阴性性状（某体征的明确缺失），6个是家族史要素。推理模型利用了这些线索：它在43例中使用年龄（100%用得恰当），在48例中使用家族史（47例正确），但在仅9例中使用性别，其中3例出错——这是幻觉的痕迹。

临床解读，而这才是要紧的数字。在1 875例真正未解决的病例上，Genosolver产生了31个新诊断，额外产出为1.7%——这个数量级与其他重新分析流程一致。而在这31个中，21个只是因为调整了变异过滤规则，6个因为ClinVar在此期间重新分类，2个因为基因注释发生变化。换言之，"真实条件下"的增益大部分并非来自新的诊断推理，而是来自注释和阈值的演变。从橱窗里的72%到田野上的1.7%，相去甚远。

做得好的地方

在代码清单之外捕捉表型。最扎实的贡献是经过测量的，而非仅仅断言：522个HPO中缺失的临床要素，被细致分类（漏掉的性状、时间动态、阴性体征、家族史）。这正是LLM在此的真正贡献——读取标准化所丢弃的东西——而当退回到仅有HPO术语时优势蒸发，则从反面证明了这一点。

一个成熟的比较对象和对保密的关注。许多LLM论文只与自己比较。这里的参考是Exomiser，一款在临床遗传学中真正使用的工具，并在若干融合配置下受测。而整个系统被设计为在本地或欧盟境内运行，这是处理患者记录时很少被遵守的一项具体约束。

对真实产出的诚实。作者没有把1.7%藏在72%背后。他们报告了对未解决病例的重新分析，分解了31个诊断的来源，并将自己的数字与现有流程加以对照。这种"重新排序一份清单"与"发现一个诊断"之间的区分，恰恰是该领域大多数宣告所缺乏的。

做得不够的地方

一种暴露于注释泄漏的替代性评估。这是核心局限，它同时涉及数据泄漏和误导性指标。这233例是已经解决的；RAG所查询的知识库（GeneReviews、OMIM、ClinVar）已经包含了这些病例的基因-疾病关联；而提交给模型的变异清单已按致病性注释（非良性ClinVar、CADD大于20）预先过滤。因此正确基因几乎必然存在于输入清单中：recall@k衡量的是对一份已被富集的短清单进行重新排序的能力，而非从零诊断。唯一逃脱这一偏倚的检验——未解决病例——给出的是1.7%。

一个处于劣势的比较对象。相对Exomiser的"+9%"并非在同等条件下取得：Exomiser只收到专家的HPO术语，而Genosolver收到全部丰富的临床病历。两个被喂以不同信息的工具被拿来比较，随后差距被归功于后者。在输入相同（仅HPO）时，优势便消失——作者自己也展示了这一点。

单一中心、单一模型、封闭的可复现性。全部验证均为单中心（亚琛，德语文本经翻译）：没有外部队列，没有人群多样性，泛化性未知。四个受测LLM中只有一个胜过参考，这使结论在模型选择面前很脆弱。差异没有任何置信区间或统计检验相伴。最后，代码仅承诺"在发表时"公开，患者数据不可共享，而且这是一份未经同行评议的预印本，作者自己也标明其不应用于指导临床实践。

它改变了什么

对研究界而言，有用的信息不是"LLM能诊断罕见病"，而是"LLM能够从自由临床文本中提取HPO所遗漏的表型要素"。这是一项预处理贡献，真实且可复用。这份预印本还提供了一条方法学教益：在已解决的病例上、用预先注释的变异清单来评估此类工具，会机械地高估其价值；唯一可信的裁判是一个真正未解决的队列，在那里数字又回落到1.7%。

对临床医生而言，今天没有什么可以部署：一款半自动的研究工具，单中心，未获批准，没有前瞻性验证，且明确不面向实践。一个重读报告以不遗漏任何表型的助手这一想法在中期是可信的——是对遗传学家的辅助，而非取而代之。对患者和公众而言，这项研究阐明了标题与现实之间的落差：一个耀眼的"72%"描述的是对答案已在其中的清单的重新排序，而真实生活中的增益——解决悬而未决的病例——是1.7%。这丝毫不减损把病历读得更好这件事的价值：对一个在奥德赛中迷失了十年的家庭而言，每五十九例中多出一个诊断，并非无足轻重。

延伸阅读

预印本可在medRxiv（10.64898/2026.06.04.26354845）上获取。关于大语言模型与诊断推理的对照，参见我们对一个在下结论前主动寻求信息的LLM的解读；关于一个在多中心验证的AI诊断系统，参见一款检测22种儿科呼吸道病原体的工具；关于所宣称性能与真实条件验证之间的鸿沟，参见一个依从性模型的真实世界验证。

编辑透明度：法文版由Tatakoto编辑部在阅读预印本的基础上撰写并署名。英文、西班牙文和中文译本借助AI辅助生成并经审校。