OpenAI 近日發布一項與 Boston Children's Hospital、Harvard University 等團隊合作的罕見病診斷研究。研究使用 OpenAI o3 Deep Research reasoning model，重新分析 376 個過往已被專家檢視但仍未解決的兒童罕見遺傳病個案，最後為 18 個個案提出新的診斷線索。
這條新聞值得放入 AI workflow 的脈絡理解，而不是簡單理解成「AI 取代醫生」。罕見病診斷的難點，在於資料量巨大、線索分散、基因變異眾多，而且醫學文獻和 gene-disease 關係會不斷更新。很多個案當年未能解答，不代表資料不足，而是新證據後來才出現，或需要重新把臨床和基因資料連接起來。
OpenAI 的研究流程是以去識別化 clinical 和 genomic information 作輸入，讓 reasoning model 產生有證據鏈支持的候選解釋，再交由研究人員和臨床專家覆核。這個結構很關鍵：AI 不是單方面下診斷，而是把龐雜資料轉化成可審查的候選路徑，協助專家更快找到值得追查的方向。
研究中重新分析了 376 個未解個案，模型提出的線索最後支持 18 個新的診斷。對每個家庭而言，這不只是一個技術數字，而可能代表多年 uncertainty 之後終於得到更清晰的解釋。不過文章亦提醒，這類系統必須保持 human-in-the-loop，由醫學專業人員判斷證據強度和臨床意義。
從技術角度看，這案例展示了 reasoning model 在高複雜度 workflow 裏的角色。它需要整合病歷描述、基因變異、研究文獻、疾病表型和新的科學證據，然後輸出可追蹤的解釋，而不是只給一個答案。這與企業場景中的合規審查、法律文件、工程事故分析其實有相似邏輯：AI 的價值在於整理線索、提出假設、保留引用，再由專家決策。
醫療 AI 亦有明顯風險。罕見病診斷不能只追求速度，還要處理 privacy、bias、臨床責任、證據可解釋性和錯誤成本。OpenAI 這篇文章的重要之處，是把 AI 放在研究與臨床覆核流程之中，而不是直接面向病人作最終判斷。
這次研究的長遠訊號，是 AI workflow 正開始進入以證據整合為核心的高專業領域。當模型可以把海量資料重新組織成專家可驗證的候選路徑，AI 的定位就不只是助手，而是複雜知識工作的分析引擎。不過在醫療這類高風險場景，最後責任仍必須由合資格專業人士承擔。
