Агентная система для диагностики редких заболеваний с прослеживаемым рассуждением

An agentic system for rare disease diagnosis with traceable reasoning
Weike Zhao, Chaoyi Wu, Ye Fan, Pengcheng Qiu, Xiaoman Zhang, Yuze Sun, Xiao Zhou, Shuju Zhang, Yu Peng, Yanfeng Wang, Xin Sun, Ya Zhang, Yongguo Yu, Kun Sun, Weidi Xie
2026-02-18

онтология фенотипов человекабольшие языковые моделимультиагентная системадиагностика редких заболеванийпрослеживаемое рассуждение
Редкие заболевания поражают более 300 миллионов человек во всем мире1–3, однако своевременная и точная диагностика по-прежнему остается актуальной проблемой1,3–5. Пациенты нередко проходят длительный «диагностический путь», превышающий 5 лет и сопровождающийся повторными направлениями к специалистам, ошибочными диагнозами и ненужными вмешательствами, что приводит к задержке лечения и значительному эмоциональному и экономическому бремени4,5. В настоящей работе представлена DeepRare — мультиагентная система поддержки принятия решений при дифференциальной диагностике редких заболеваний6–8, работающая на основе больших языковых моделей и объединяющая более 40 специализированных инструментов и актуальных источников знаний. DeepRare обрабатывает гетерогенные клинические данные, включая описания в свободной форме, структурированные термины Онтологии человеческого фенотипа и результаты генетического тестирования, чтобы формировать ранжированные диагностические гипотезы с прозрачной цепочкой рассуждений, связанной с поддающимися проверке медицинскими доказательствами. При оценке на девяти наборах данных, сформированных на основе научной литературы, описаний клинических случаев и материалов клинических центров Азии, Северной Америки и Европы и охватывающих 14 медицинских специальностей, DeepRare продемонстрировала исключительную эффективность для 2 919 заболеваний. В задачах на основе Онтологии человеческого фенотипа среднее значение Recall@1 составило 57,18%, что на 23,79% выше показателя следующего по эффективности метода; в мультимодальных тестах система достигла 69,1% по сравнению с 55,9% у Exomiser на 168 случаях. Экспертная оценка выявила согласие с цепочками рассуждений в 95,4% случаев, подтвердив их обоснованность и прослеживаемость. Наша работа не только способствует развитию диагностики редких заболеваний, но и демонстрирует, как современные мощные агентные системы на основе больших языковых моделей могут преобразовать существующие клинические рабочие процессы. DeepRare — мультиагентная система поддержки принятия решений при дифференциальной диагностике редких заболеваний, работающая на основе больших языковых моделей и объединяющая специализированные инструменты и актуальные источники знаний, — обладает потенциалом для сокращения неравенства в сфере здравоохранения при диагностике редких заболеваний.
1
В девяти наборах данных, охватывающих 2 919 заболеваний, 14 медицинских специальностей и клинические центры Азии, Северной Америки и Европы, DeepRare показала высокую диагностическую эффективность.
2
DeepRare представляет собой мультиагентную систему дифференциальной диагностики редких заболеваний, объединяющую большие языковые модели, более 40 специализированных инструментов и актуальные источники знаний.
3
В мультимодальных тестах на 168 случаях DeepRare достигла результата 69,1% против 55,9% у Exomiser; эксперты подтвердили корректность её цепочек рассуждений в 95,4% оценок.
4
В задачах на основе фенотипов среднее значение Recall@1 составило 57,18%, что на 23,79% выше результата следующего по эффективности метода.
5
Система объединяет свободные текстовые описания, термины онтологии человеческих фенотипов и результаты генетического тестирования для ранжирования диагностических гипотез с прозрачным рассуждением, связанным с проверяемыми медицинскими данными.

дифференциальная диагностика редких заболеваний

точность, эффективность ранжирования и прослеживаемость диагностических гипотез, сформированных на основе разнородных клинических данных

Publication Details
Publication Date
2026-02-18
Journal
Publisher
ISSN
Cited by
42
Access Type
Author Information
Authors
Weike Zhao
Chaoyi Wu
Ye Fan
Pengcheng Qiu
Xiaoman Zhang
Yuze Sun
Xiao Zhou
Shuju Zhang
Yu Peng
Yanfeng Wang
Xin Sun
Ya Zhang
Yongguo Yu
Kun Sun
Weidi Xie
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%