近日，厦门大学健康医疗大数据国家研究院联合厦门大学医学院附属妇女儿童医院、厦门大学人工智能研究院在罕见病智能诊断与遗传咨询研究中取得新进展。团队围绕“如何在表型稀疏、遗传证据不完整、医学知识高度碎片化的条件下提升罕见病诊断推理能力”这一关键问题展开研究，提出了知识图谱增强的自动化推理框架 KGRD，为儿童罕见遗传病的辅助诊断、鉴别诊断和遗传咨询提供了新的技术路径。

近年来，大语言模型在医学问答和临床文本理解中表现出较强能力，但在罕见病诊断场景中，通用模型容易受到常见疾病知识和高频医学表述的影响，难以稳定识别长尾疾病、复杂综合征和证据不足病例。针对上述挑战，团队提出KGRD框架，将罕见病知识图谱、患者表型表示、基因—疾病推理、相似病例检索和多智能体协作诊断统一纳入一个可追溯的自动化推理流程。该框架从候选基因、临床表型和患者相似性三个工具智能体生成诊断线索，引入模拟多学科会诊的 MDT推理模块，对候选诊断提供的证据进行综合分析，并通过验证智能体对候选诊断进行多维验证。与单纯依赖大语言模型生成诊断结论不同，KGRD更强调“证据驱动”的诊断推理：系统不仅给出候选诊断，还能够展示诊断依据来自哪些基因、表型、疾病记录和文献证据，从而提高辅助诊断过程的可解释性。

实验结果表明，在由420个罕见病病例构成的验证集中，基于DeepSeek-V3.1的 KGRD(DS) 获得最优总体表现，将最可能诊断的平均Bond评分由3.27提升至 3.85，并将临床启发有效性从73.6% 提升至81.9%，意味着KGRD额外帮助35个病例达到具有临床启发意义的候选诊断水平。KGRD为构建可解释、可追溯、可更新的罕见病辅助诊断系统提供了新的框架，也为医学人工智能在儿科遗传病诊疗和遗传咨询中的落地应用提供了技术基础。

团队还在真实遗传咨询队列XMU60上对KGRD进行了进一步验证。该队列由 60例去标识化结构化病例构成，病例具有候选基因少、表型信息稀疏、候选诊断复杂等特点。结果显示，KGRD(DS) 将候选诊断平均评分由2.28提升至4.00，临床启发有效性从48.3%提升至81.7%，提示该框架在真实咨询场景中有望提高鉴别诊断列表的质量，为后续基因检测、随访评估和遗传咨询提供参考。

厦门大学郭桂伶、邵震宇为论文共同第一作者；厦门大学李奇渊为通讯作者。研究得到厦门大学健康医疗大数据国家研究院、康圣环球基因技术有限公司、厦门大学医学院、附属妇女儿童医院、厦门大学人工智能研究院等单位支持。

原文链接： https://www.nature.com/articles/s41746-026-02943-5