OpenAI 近日发布一项与 Boston Children's Hospital、Harvard University 等团队合作的罕见病诊断研究。研究使用 OpenAI o3 Deep Research reasoning model，重新分析 376 个过往已被专家检视但仍未解决的儿童罕见遗传病个案，最后为 18 个个案提出新的诊断线索。
这条新闻值得放入 AI workflow 的脉络理解，而不是简单理解成「AI 取代医生」。罕见病诊断的难点，在于资料量巨大、线索分散、基因变异众多，而且医学文献和 gene-disease 关系会不断更新。很多个案当年未能解答，不代表资料不足，而是新证据后来才出现，或需要重新把临床和基因资料连接起来。
OpenAI 的研究流程是以去识别化 clinical 和 genomic information 作输入，让 reasoning model 产生有证据链支持的候选解释，再交由研究人员和临床专家复核。这个结构很关键：AI 不是单方面下诊断，而是把庞杂资料转化成可审查的候选路径，协助专家更快找到值得追查的方向。
研究中重新分析了 376 个未解个案，模型提出的线索最后支持 18 个新的诊断。对每个家庭而言，这不只是一个技术数字，而可能代表多年 uncertainty 之后终于得到更清晰的解释。不过文章亦提醒，这类系统必须保持 human-in-the-loop，由医学专业人员判断证据强度和临床意义。
从技术角度看，这案例展示了 reasoning model 在高复杂度 workflow 里的角色。它需要整合病历描述、基因变异、研究文献、疾病表型和新的科学证据，然后输出可追踪的解释，而不是只给一个答案。这与企业场景中的合规审查、法律文件、工程事故分析其实有相似逻辑：AI 的价值在于整理线索、提出假设、保留引用，再由专家决策。
医疗 AI 亦有明显风险。罕见病诊断不能只追求速度，还要处理 privacy、bias、临床责任、证据可解释性和错误成本。OpenAI 这篇文章的重要之处，是把 AI 放在研究与临床复核流程之中，而不是直接面向病人作最终判断。
这次研究的长远讯号，是 AI workflow 正开始进入以证据整合为核心的高专业领域。当模型可以把海量资料重新组织成专家可验证的候选路径，AI 的定位就不只是助手，而是复杂知识工作的分析引擎。不过在医疗这类高风险场景，最后责任仍必须由合资格专业人士承担。
