微軟聯合多機構研發 AI 助手：幫醫生篩查罕見病基因變異

全球大約有 5 億人正被各種罕見病困擾。對很多家庭來說，確診就是一場長達數年的拉鋸戰，要做無數次化驗、影像檢查甚至侵入性穿刺。

全基因組測序本來是最有希望的破局手段，但現實往往很骨感：醫生和分析師在超過 100 萬個基因變異裡翻找線索，整個流程要走 3 到 12 周。更讓人洩氣的是，初次測序真正能確診的病例連 50% 都不到。

剩下那些沒能確診的病例，只能暫時被歸檔封存。其實隨著醫學研究推進，新論文裡隨時可能出現關鍵線索，但分析師根本沒有精力天天去翻舊檔案。

針對這個死結，微軟研究院聯合德雷塞爾大學和博德研究所，在《ACM 互動式智慧系統彙刊》上發表了一項專門研究，嘗試用生成式 AI 為遺傳學專家打造一個重分析助手。

為什麼 87% 的醫療 AI 從未落地

這項研究先丟擲了一個相當紮實的資料：業內大約 87% 的 AI 系統最終根本沒能部署，最核心的原因不是演算法不夠強，而是它們解決錯了問題。

為了不重蹈覆轍，研究團隊先深度訪談了 17 位一線遺傳學專業人員，把全基因組分析中的卡點摸了個底朝天，最後歸結為三件事。

第一是資訊過載。分析師必須在各種資料庫和海量文獻里人工比對基因與變異資訊，不僅極度耗時，而且極容易看漏。

第二是協作分享太原始。團隊成員之間交流線索往往還在用非常低效的傳統方式，彼此的思考過程很難沉澱和複用。

第三則是積壓病例的重分析排序。醫學界每天都在發新論文，但到底哪一篇論文能對上哪一個陳年積壓病例，大家心裡完全沒有譜，只能靠運氣。

讓 AI 盯住文獻，把舊病例撈出來

理清痛點之後，微軟與專家們一起設計了 AI 助手的原型，重點只抓專家們最想要的兩個能力。

第一個功能是文獻線索自動預警。AI 會持續跟進最新發表的科研文獻，一旦發現某個新突變位點或疾病關聯，就會主動向分析師發出提示，標出哪些積壓的舊病例值得拿出來重新分析。

第二個功能是基因變異資訊自動聚合。面對像 seqr 這類基因資料分析工具裡翻出來的成千上萬個變異，AI 可以直接從海量文獻裡提煉出核心證據，排成易讀的摘要，省去專家一篇篇啃論文的時間。

更有意思的是協作機制的設計。遺傳學專家們非常警惕 AI 的幻覺和誤導，因此原型系統不僅支援多人共同編輯和標記 AI 提煉的內容，還會把每個人的批註和修改痕跡清晰展示出來，讓可信度建立在人類專家的交叉驗證上。

為什麼重要

我們認為，這項研究最聰明的地方，在於微軟沒有盲目去訓練一個試圖替代醫生下診斷的“全能大模型”，而是把切入點選在了一個極其具體又痛苦的工作流上：文獻監控與積壓病例篩選。

對一線遺傳分析師和罕見病家庭來說，它的價值非常直接。很多罕見病不是治不了，而是卡在“不知道得的是什麼病”。如果能用 AI 把文獻和未解病例自動對齊，哪怕只幫 5% 的積壓病例找到病因，拯救的也是實打實的生命。

這給醫療 AI 行業提供了一個很好的範式：與其把精力花在卷引數和刷基準分數上，不如把那 87% 無法落地的教訓吃透，老老實實融入 seqr 這種專家每天都在用的現有工具裡。

不過隱患同樣存在。基因診斷容錯率極低，AI 提煉文獻時的疏漏可能直接導致誤判，或者反過來產生過多的“虛警”，讓原本就疲於奔命的醫生陷入新的資訊干擾。未來這種系統能不能真正走進臨床，核心就看它在減少漏診和控制假警報之間，能不能找到那個精準的平衡點。