DocsDigest
Back to listLanguage: JA
OpenAIOpenAI NewsJun 18, 2026, 8:00 AM

Using AI to help physicians diagnose rare genetic diseases affecting children

A condensed section focused on the key takeaways first.

Original Post
OpenAIClaude

Quick Digest

Summary

A condensed section focused on the key takeaways first.

openaienmodel: gpt-5-mini-2025-08-07

Using AI to help physicians diagnose rare genetic diseases affecting children

genomicsrare-diseaselarge-language-modelsvariant-interpretationclinical-workflowreanalysis

Key Points

  • o3 Deep Research reanalyzed 376 unsolved pediatric cases
  • 18 additional diagnoses established (4.8% yield)
  • Model produced evidence-linked hypotheses, not clinical decisions

Summary

Published 2026-06-18 in NEJM AI, researchers from Boston Children’s Manton Center, Harvard, and OpenAI used the OpenAI o3 Deep Research reasoning model to retrospectively reanalyze 376 previously unsolved pediatric cases. The model produced evidence-linked, explainable hypotheses that expert reviewers evaluated using standard clinical frameworks; after confirmatory testing and CLIA lab confirmation, 18 additional diagnoses were established (4.8% absolute yield). The model was used as an explanation-first layer on top of existing genomic pipelines and did not make clinical decisions.

Key Points

  • Dataset and result: 376 de-identified cases, 18 confirmed additional diagnoses (4.8% yield); cohort yields ranged from 1.0% to 13.3%.
  • Inputs and workflow: each case packet included HPO phenotype terms, clinician notes/metadata, and a filtered variant table (rarity, predicted effect, ClinVar status, family signal). The model was prompted to propose a most plausible molecular explanation and show supporting evidence.
  • Human-in-the-loop adjudication: model outputs were reviewed by at least two experts using ACMG/AMP criteria; final calls required expert consensus, CLIA confirmation, and return-to-family. The model never issued diagnoses or clinical decisions.
  • Validation and heuristics: workflow recovered known diagnoses in internal validation sets (e.g., 48/51 and 45/57 in two cohorts); the model’s internal confidence correlated with correctness (mean min score ~85.6 for correct runs vs ~42.1 for incorrect), used as a reviewer triage heuristic, not a probability.
  • Notable capabilities: the model inferred structural events (22q11.2 deletion), surfaced digenic explanations, and generated testable mechanistic hypotheses (e.g., S1PR1-vililigo link) that warrant experimental follow-up.
  • Limitations and cautions: retrospective, heterogeneous cohorts; reviewers not blinded to confidence; operational challenges in aggregating distributed records and public database updates; explicitly not a clinical diagnostic tool.

Engineering implications / next steps

  • Treat models as hypothesis generators integrated into reproducible, auditable pipelines that capture input packets, prompts, model outputs, and reviewer decisions.
  • Prioritize data harmonization (IDs, vocabularies, ClinVar sync) to reduce missed rediscoveries and operational gaps.
  • Use model confidence and validation runs to triage reviewer effort, but retain strict clinical adjudication (ACMG/AMP + CLIA) and logging for traceability.
  • Plan prospective, blinded evaluations and automation-safe guardrails before any clinical deployment; periodic reanalysis pipelines could be implemented to scale expert review as knowledge evolves.

Full Translation

Translations

A translation section that keeps the flow of the original article.

openaijamodel: gpt-5-mini-2025-08-07

小児に影響する希少遺伝性疾患の診断を支援するためのAIの活用

2026年6月18日 · Applied AI

小児に影響する希少遺伝性疾患の診断を支援するためのAIの活用

NEJM AIの研究で、専門家はOpenAI o3 Deep Research推論モデルを用いて、以前は未解決だった376件の症例を再解析し、18件の診断につながる手がかりを示しました。研究の要旨は NEJM AI（opens in a new window）でご覧ください。Loading… Share

目次

  • なぜ古い症例に新しい答えが含まれることがあるのか
  • 再解析はどのように行われたか
  • 研究者が発見したこと
  • コホート別の結果
  • 変異検出の柔軟性の実証
  • 検査可能で生物学的に整合した仮説の提示
  • 制限事項
  • 次のステップ

なぜ古い症例に新しい答えが含まれることがあるのか

ゲノム解析を受けても、希少疾患の多くは明確な遺伝学的診断に至りません。広範な検査と専門家のレビューを経ても、約半数が診断未確定のままです。患者の医療データには手がかりが含まれていることがある一方で、それらを見つけるには数千〜数百万の遺伝的変異、断片化した臨床記録、急速に変化する文献を精査する必要があります。新たな遺伝子と疾患の関連、症例報告、分類に関する証拠が蓄積されると、未解決症例が新たに解釈可能になることがあります。

Boston Children’s HospitalのManton Center for Orphan Disease Research、Harvard University、OpenAIの研究者らは、OpenAI o3 Deep Research推論モデルを用いて、以前に解析され未解決だった376件の匿名化臨床・ゲノム情報を分析しました。モデルは証拠に紐づく候補説明を提示し、研究者や臨床医がそれをレビューしました。専門家のレビュー、追加検査、臨床的確認を経て、医師は18件の診断を確立しました — これは専門家による以前の解析後の追加診断率4.8%に相当します。本研究は2026年6月18日にNEJM AIで発表され、AI支援の研究ワークフローが、最も難解な症例を再検討する際にリードを生成するのに役立ちうることを示しています。多くの症例は何年もの間専門家の解析で見逃されてきました。

本研究では、OpenAI o3 Deep Researchは患者を診断したり臨床判断を下したりしたわけではありません。モデルは専門家がレビューできる証拠に結びついた仮説を生成し、適切な場合には追加検査で検証され、臨床検査室で確認されました。

再解析はどのように行われたか

各症例について、チームは以下を含む匿名化パケットを作成しました：

  • 患者の臨床所見を記述する標準化されたHuman Phenotype Ontology用語
  • 必要に応じた臨床医のメモや記述的臨床診断
  • 年齢、性別などのメタデータ
  • フィルタリングされた変異テーブル（各変異の希少性、タンパク質への予測影響、ClinVarによる分類、入手可能な家族メンバー間のシグナル品質を含む）

ほとんどの症例は、子と両親のデータを含んでいました。チームはモデルに最も妥当な分子説明を提案させ、作業の根拠を示すよう求めました。研究者は、臨床検査室が変異を分類する際に用いるのと同じACMG/AMPフレームワークを使って出力をレビューしました。各候補は少なくとも2名のチームメンバーがレビューし、意見が分かれた場合はコンセンサスで解決しました。モデルの出力は決して診断とはみなされませんでした。

症例が診断としてカウントされるのは、資格ある専門家が証拠をレビューし、変異がpathogenicまたはlikely pathogenicに分類され、CLIA認定の検査室で確認され、臨床チームが結果を家族に伝えた場合のみです。

未解決症例を解析する前に、チームは既知の診断を有する症例でワークフローを洗練しました。以下の評価結果が報告されています：

  • 多様な希少疾患を含む51例のうち、48例で重複実行において正しい遺伝子と変異を再現。
  • 57例の神経筋疾患コホートでは、重複実行で45例が正しい診断を返した。
  • 15例のlong-readゲノムセットでは、すべての症例で正しい遺伝子を特定し、12例で病因アレルを両方とも同定。

これらの評価は迅速な開発に役立ち、専門家レビューが不可欠である箇所を示しました。モデルの自己報告する信頼スコアは、既に解決済みの症例における正解診断と相関しました：一貫して正しかった呼び出しの平均最小スコアは85.6、誤りまたは不明の呼び出しは42.1でした。これらのスコアは較正された確率ではなく、チームは証拠や臨床的判断の代替として用いませんでしたが、有望な候補診断に専門家レビューを集中させるのに役立ちました。

研究者が発見したこと

チームはこのワークフローを、以下の4つの未解決症例群に適用しました：

  • 小児の神経発達障害
  • 希少な神経筋疾患の患者
  • 早期精神病の小児・青年
  • 小児における突然死（sudden unexpected death in pediatrics）

これらは初回レビュー待ちの新規症例ではなく、多くは複数の商用または機関のパイプラインで既に精査され、多職種チームで検討されていました。

コホート別結果

コホート症例数表出された診断追加診断率 (Yield)
Neurodevelopmental（神経発達）1001010.0%
Neuromuscular disease（神経筋疾患）6146.6%
Sudden unexpected death in pediatrics20021.0%
Early psychosis（早期精神病）15213.3%
合計376184.8%

早期精神病コホートは症例数が少なく、割合の信頼区間は広いことに注意してください。追加診断率はまた、各コホートで単一遺伝子による説明が期待される度合いにも依存します。

モデルが候補を提示し、専門家がレビューおよび臨床確認を完了した結果、医師は症例の4.8%で診断を確立しました。この割合は専門家による以前のレビューでも解決されなかった症例群では控えめながら意義のあるものです。類似の再解析研究でも、既に精査の進んだ症例群で一桁台の増分が報告されており、高い追加診断率は通常、新規症例や遺伝学的確認を待つ既知疾患を含む研究で見られます。

18件の診断のうち7件は再発見（研究ワークフロー外で確立されていた診断だが、チームがレビューした記録には記載がなかった）でした。いくつかの症例では、変異がすでに公開データベースでpathogenicまたはlikely pathogenicとして登録されており、データソース間の情報統合の運用課題を浮き彫りにしました。

変異検出の柔軟性の実証

ある早期精神病の症例では、モデルは入力データに明示されていない構造的なゲノム事象を推論しました。染色体22上の低品質コールの連続と、その子の心臓、免疫、神経発達および精神病的特徴を結びつけ、22q11.2欠失（DiGeorge syndromeに関連）を仮説化しました。この仮説は追跡の全ゲノムシーケンスで確認されました。

プロンプトは単一遺伝子原因を求めていましたが、モデルは時に複雑な表現型をよりよく説明するために2つの遺伝子を提示することがありました。例えば、LAMA2とFOXP1の変異が筋肉および神経発達の特徴を合わせて説明した症例や、TTNとSRPK3の未認識の二遺伝子性（digenic）説明が見つかった症例がありました。

検査可能で生物学的に整合した仮説の提示

診断に加えて、モデルは白斑（vitiligo）と関連する可能性のある新しい機序的説明も提示しました。ある神経発達症例で、モデルはS1PR1における11アミノ酸欠失を強調しました。S1PR1はシグナル伝達、免疫細胞の移動、組織生物学に関与する細胞表面受容体をコードします。モデルは、この欠失が受容体構造やシグナル伝達を変化させ、色素産生を減少させる一方で皮膚内で免疫細胞が持続することを助ける可能性があるという証拠を統合しました。

S1PR1と白斑の関係は追加の実験的検証が必要ですが、これは構造生物学・免疫学・臨床遺伝学に散在する知見を統合し、具体的で検査可能な仮説に翻訳するAIの強力な役割を示しています。

チームはまた、神経筋コホートで表現型拡張の可能性も観察しました。HSPB8およびCDK13の有害変異は、それらの遺伝子に最もよく知られた疾患像と完全に一致せず、より広い臨床スペクトルを示唆しており、さらなる症例と検査室での作業が必要です。

事例：ほぼ20年にわたるKyraの診断

それは空手教室で始まりました。9歳の娘Kyraが以前ほど深い構えができなくなっていると母親が気づいたのです。Kyraはサッカーの練習中に速度が落ち、歩行や走行時に前足荷重でつま先立ちのようになることがありました。小児科医は筋力低下の原因を特定できず、専門医へ紹介しました。

その後の約20年間は、検査・治療・相談が繰り返されても診断がつかない旅でした。Kyraの症例は神経筋コホートで提示された4件の診断のうちの1つでした。チームは彼女の状態をHSPB8のフレームシフト変異と関連づけ、ミオフィブリラミオパチー（筋線維内に異常タンパク質構造が蓄積し筋力低下に寄与する病態）の一型と診断しました。

Manton Centerの遺伝カウンセラーはKyraの28歳の誕生日の約1週間前に連絡を取りました。その時点でKyraは人生の多くを病状に適応して過ごしており、13歳までに人工呼吸器依存と車椅子生活になっていたものの、その後は病状が安定しているとのことでした。Kyraのミオフィブリラミオパチーは非常に稀で長期経過がほとんど知られていない一方で、診断は一定の区切りをもたらしました。

制限事項

本研究は、汎用の推論モデルが表現型、遺伝様式、変異注釈、データ品質パターン、および科学文献を組み合わせてレビュー可能な仮説を生成し、遺伝子再解析に寄与しうることを示しています。また、知識が進展したり断片化した記録が統合されたりして初めて答えが表出する場合があるため、定期的な再解析の重要性も示しています。

ただし、この研究は患者、臨床医、または顧客がOpenAIモデルを用いて疾病を診断したり医療的判断を下したりすることを支持する証拠ではありません。OpenAI o3 Deep Research、ChatGPT、または他のOpenAI製品の診断のための意図された顧客利用を記述または推奨するものではありません。モデルは参加者を診断したわけではなく、すべての診断は資格ある専門家が既存のレビュー、検査、および臨床確認プロセスを通じて行いました。

本研究は後ろ向き解析（retrospective）であり、コホートは不均質で、レビュー担当者はモデルの信頼スコアに盲検化されていませんでした。

次のステップ

（原文はここで途切れています）

Using AI to help physicians diagnose rare genetic diseases affecting children | OpenAI News | DocsDigest