OpenAI o3 協助診斷 18 名波士頓罕病兒童，NEJM AI 發表研究成果

罕見疾病的診斷向來是醫療體系最吃力的環節——病例數量少、文獻分散、單一研究員根本跟不上基因與疾病關聯的最新發現速度。OpenAI 的 o3 模型在這個缺口裡交出了一份可量化的成績單。

波士頓兒童醫院的研究團隊分析了 376 份來自未確診罕病患者的完整基因組，讓 o3 模型在現有醫師判讀的基礎上重新篩查。結果：AI 找出了近 5% 的新診斷，也就是 18 個案例——涵蓋罕見神經發育疾病、神經肌肉障礙、突發死亡個案與早發性精神病。這個數字乍看不大，但這批基因組都是已被人工反覆檢視、仍無解的舊案。5% 在這個語境下意味著對 18 個家庭來說，漫長的「不知道為什麼」終於有了答案。研究結果發表於《新英格蘭醫學期刊》旗下的 NEJM AI，發表本身就具備相當份量的背書意義。

方法論值得留意。研究人員並非把 AI 當成全自動系統運行，而是將醫師病歷、患者症狀、可能相關基因一併餵入模型，最終再由人工審核 AI 的答案才落定診斷。這是一個「人在迴路」的設計，而非 AI 直接出具診斷書。這個設計既是現實的謹慎——OpenAI 在服務條款中明確禁止將其技術用於自我診斷——也是讓研究結果在臨床場域具有可信度的前提。

對亞太地區的醫療決策者而言，這件事真正重要的地方不在「AI 打敗醫師」的敘事，而是一個具體的效率突破點被量化驗證了。罕見疾病的診斷延遲在全球醫療體系中普遍存在，亞太地區部分市場的基因篩查基礎建設與人才密度更是有限。o3 這類模型的實際價值，在於它可以持續追蹤文獻更新、同步比對新確認的基因-疾病連結，而這正是人力最難持續做到的事——一個案例在初次篩查時無解，一年後一篇新論文釐清了基因與疾病的關聯，AI 能重新比對，人工不一定跟得上。

當然，18 個案例是概念驗證，還不是大規模部署的臨床實證。從單一研究機構的試驗到系統性整合進診療流程，中間還有監管、資料隱私、醫療責任歸屬等一連串問題沒有解決。但方向是清楚的：AI 在醫療場域的落地，最先站穩腳跟的不會是高頻常見病，而是像罕病診斷這種資訊密集、人力稀缺、容錯空間極低的利基場景。這份研究給的是一個錨點，不是終點。