# OpenAI 用 o3 模型重查 376 个儿童疑难病例，帮医生揪出 18 个新诊断

> 原标题：Using AI to help physicians diagnose rare genetic diseases affecting children

- 来源：OpenAI News
- 发布时间：2026-06-18T08:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/39294
- 原文：https://openai.com/index/diagnose-rare-childhood-diseases

## 摘要

波士顿儿童医院、哈佛和 OpenAI 拿 o3 的“深度研究”模式，把 376 个之前没查明白的儿童罕见病病例重新翻了一遍。模型不是直接看病，而是根据基因数据和临床症状，提出有文献证据支持的候选病因。医生团队审核后，再走 CLIA 认证实验室的流程做验证，最终确认了 18 个新诊断，相当于在专家已经看过的基础上又多找出 4.8% 的病因。研究发在 NE...

## 推荐理由

NEJM AI 发的正经研究，不是公关稿。o3 深度研究模式把 376 个之前没查明白的儿童罕见病病例重新翻了一遍，最终确认 18 个新诊断，有具体数字和 CLIA 验证管线。我会先打个折，不给 85+，因为这是单中心单次研究，没披露假阳性率和验证成本，换家医院能不能复现还不知道。78 分给在它展示了 AI 在真实疑难病例里能帮上忙，而不是又画了个饼。

## 锐评

这项研究最实在的一点是，它没让模型直接看病，而是让 o3 的“深度研究”模式去翻文献、对基因数据，给专家列出一批有证据支持的候选病因。376 个病例都是之前专家看过但没结论的，模型介入后多确诊了 18 例，相当于在原有基础上多找出 4.8% 的病因。这个数字不算颠覆性，但对那些等了多年没答案的家庭来说，每多一个确诊都是实打实的进展。

不过得注意，这只是一次回顾性研究，不是常规临床工具。所有模型提出的假设，都经过了医生审核和 CLIA 认证实验室的湿实验验证才算数。正文没披露模型出错的概率，也没说它提了多少个假阳性候选让专家白忙活。另外，研究用的是脱敏数据，真实临床环境里数据更乱、格式更不统一，模型能不能保持这个产出还不清楚。

如果后续能公布假阳性率和专家审核耗时，会更容易判断这 4.8% 的收益值不值得推广。目前看，它更像一个帮专家省翻文献时间的外挂，离“AI 诊断”还差着好几道实验室的硬门槛。