Using AI to help physicians diagnose rare genetic diseases affecting children｜AI を用いて小児の希少遺伝性疾患を診断する医師支援 | AIニュース最前線

ゲノム配列解析を行っても、多くの希少疾患患者は明確な遺伝子診断を受けることができません。広範な検査と専門医のレビューを経ても、約半数が未診断のままです。彼らの医療データには手がかりが含まれている可能性がありますが、それを見つけるためには、数千から数百万に及ぶ可能性のある遺伝性変異の絞り込み、断片的な臨床記録、そして急速に変化する科学文献の精査が必要となる場合があります。 新たな遺伝子 - 疾患関連、症例報告、分類エビデンスが蓄積するにつれて、これまで解決しなかった症例も新たに解釈可能になることがあります。 ボストン小児病院の孤児病研究マントンセンター、ハーバード大学、および OpenAI の研究者らは、OpenAI o3 Deep Research 推論モデルを用いて、これまでに解析済みでありながら未解決であった 376 症例の非識別化された臨床情報とゲノム情報を分析しました。このモデルは、研究者や臨床医がレビューできるよう、エビデンスに裏付けられた候補となる説明を提示します。専門家のレビュー、追加検査、および臨床確認を経て、医師らは 18 の症例で診断を確定しました。これは、専門家による先行分析後にさらに 4.8% の診断得率をもたらすものです。本研究は 2026 年 6 月 18 日に『NEJM AI』に掲載され、AI を活用した研究ワークフローが、最も困難な症例の一部を再検討する際に専門家が手がかりを生み出すのをどのように支援できるかを示しています。 これらの症例の多くは、専門家の分析を何年もかけても見逃されていました。本研究では、OpenAI o3 Deep Research が研究者に手がかりを提供し、その後確立された臨床プロセスを通じて評価されました。これは、知識の進展に伴い、専門家主導による定期的な再解析がよりスケーラブルになる可能性があることを示唆しています。このモデルは患者を診断したり、臨床的な決定を下したりしたわけではありません。専門家がレビューし、適切であれば追加検査を通じて調査し、臨床検査室で確認するための、証拠に基づいた仮説を生成しました。 なぜ古い症例に新しい答えが含まれているのか 結論が出ない遺伝子検査が、必ずしも永続的な所見であるとは限りません。患者の表現型記述、検査結果、家族歴は、異なる識別子、フォーマット、語彙を使用するデータベースに分割されている可能性があります。これらの記録をリンクさせるのは困難なため、専門家でも診断を見逃すことがあります。また、専門家が関連遺伝子やその変異が疾患と結びつく前に子供のゲノム配列解析を行うこともあります。科学知識が進歩するにつれて、同じデータから以前は発見不可能だった答えが明らかになる可能性があります。 希少疾患の再解析は、科学的課題であると同時に維持管理上の課題でもあります。患者のゲノム自体は変化しませんが、それを巡る証拠は絶えず更新されます。研究者が新たな遺伝子や変異を疾患と関連付け、検査機関が過去の変異を再分類し、症例データベースや論文には新しい観察結果が蓄積されるからです。これらの更新により、以前は結論が出なかった症例も再検討の価値を持つようになるため、多くの機関では動く知識ベースとの同期を保つために、ゲノムデータのバックログが次第に膨れ上がっています。 本研究では、研究者たちはワークフローを設計し、既存のゲノム解析パイプラインの上に「説明ファースト」の推論層としてモデルが機能するようにしました。単にランク付けされた遺伝子を返すのではなく、臨床的特徴、遺伝様式、変異エビデンス、および科学的文献を結びつけ、人間による検証者が問いかけ可能な根拠となるよう求めました。 ## 再解析の実施方法 各症例について、チームは患者の臨床像を記述するための標準化された「ヒト表現型オントロジー（Human Phenotype Ontology）」用語、医師のメモ（場合により）、記述的な臨床診断、年齢や性別などのメタデータ、そしてフィルタリングされた変異テーブルを含む非識別化パケットを構成しました。このテーブルには、各変異の希少性、エンコードされるタンパク質への予測影響、ClinVar 分類、および利用可能な家族成員全体でのシグナル品質が記録されました。症例の多くは、子供と両方の生物学的親からのデータを含んでいました。 チームは、最も妥当な分子説明を提案し、その根拠を示すようモデルに依頼しました。その後、研究者たちは臨床検査室が遺伝性変異を分類するために使用するのと同じ ACMG/AMP フレームワークを用いて出力を検証しました。各候補については少なくとも 2 名のチームメンバーがレビューを行い、意見の相違は合意形成によって解決されました。また、モデルによる出力は決して診断として扱われませんでした。診断と認められるのは、資格のある専門家が証拠をレビューし、変異が病原性またはおそらく病原性と分類され、CLIA 認証を受けた検査室で確認され、かつ臨床チームが結果を家族に報告した後のみです。 未解決症例の分析に入る前に、チームは確立された診断を持つ症例を用いてワークフローを改良しました。その結果、多様な希少疾患を含む 51 の症例のうち 48 で、正しい遺伝子と変異が重複実行で特定されました。57 の神経筋疾患症例のセットでは、45 の症例で正しい診断が重複実行で得られました。また、15 の症例からなるロングリードゲノムセットにおいては、すべての症例で正しい遺伝子が同定され、そのうち 12 症例では両方の疾病原因アレルも特定されました。これらの評価はプロンプト開発に役立ち、専門家のレビューが依然として不可欠な箇所を明らかにしました。 このモデルの自己報告された自信スコアは、これまでに解決済みの症例において正しい診断と追跡されました：一貫して正しい判断の場合の平均最小スコアは 85.6 であり、誤りまたは不明な判断の場合は 42.1 でした。これらのスコアは較正された確率ではなく、チームもそれらを証拠や臨床的裁定の代替として使用しませんでした。しかし、これらは専門家レビュー担当者が最も有望な候補診断に焦点を当てるよう導く上で役立ちました。 ## 研究者が見つけたこと その後、チームはこのワークフローを、神経発達障害を持つ子供たち、希少筋疾患を持つ人々、早期精神病を持つ子供および思春期の人々、そして小児における突然の予期せぬ死の症例という 4 つのグループに適用しました。これらは初めてレビューを待つ新しい症例ではありませんでした。多くはすでに複数の商業的または機関内のパイプラインで検査され、多職種チームによって議論されていました。 ## コホート別の結果 **コホート** **症例数** **発見された診断名** **検出率** 神経発達障害 100 10 10.0% 筋疾患 61 4 6.6% 小児における突然の予期せぬ死 200 2 1.0% 早期精神病 15 2 13.3% **合計** **376** **18** **4.8%** 早期精神病のコホートは小規模であったため、そのパーセンテージには広い信頼区間があります。検出率はまた、各コホートが単一遺伝子による説明を持つ可能性を反映しています。 モデルが候補を提示し、専門家がレビューと臨床確認を終えた後、医師は症例の 4.8% で診断を確定しました。この割合は控えめですが、この集団においては意味のある結果です。なぜなら、以前の専門家によるレビューではこれらの症例が解決していなかったからです。同様の再解析研究では、すでに多くレビューされた症例において一桁台の改善率が報告されていますが、より高い成果を得るには、通常は新規症例を含む研究や、遺伝学的確認を待っているよく知られた疾患を対象とした研究が必要です。 18 の診断のうち 7 つは再発見でした。これらは地域の研究ワークフローの外で確立された診断でありながら、チームがレビューした記録には記載されていなかったものです。いくつかの症例では、変異がすでに公的データベースに病原性またはおそらく病原性としてリストされており、異なるデータソース間の情報を統合する運用上の課題を浮き彫りにしました。 ## 変異同定における柔軟性の実証 ある初期精神病の症例において、モデルは入力データに記載されていないゲノム内の構造的イベントを推論しました。染色体 22 の低品質なコールの一連の結果と、その子どもの心臓、免疫、神経発達、および精神症状の特徴を結びつけ、ジョージ症候群に関連する 22q11.2 欠失変異を仮説として提示しました。この仮説された変異は、フォローアップゲノムシーケンシングによって確認されました。 プロンプトでは単一の遺伝性疾患の原因を求めていたにもかかわらず、モデルは複雑な症候群をよりよく説明する 2 つの遺伝子を提示することがありました。ある症例では *LAMA2* と *FOXP1* の変異が組み合わさることで筋症状と神経発達的特徴を説明し、別の症例では *TTN* と *SRPK3* を関与する未認識の二遺伝性疾患の説明が示されました。 ## 検証可能な生物学的に整合性の高い仮説の生成 診断に加え、モデルは白皮症（ビティリゴ）と呼ばれる状態に対する新たなメカニズム的説明の可能性も特定しました。ある神経発達症例では、白皮症患者における *S1PR1* の 11 アミノ酸欠失が注目されました。*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ています。モデルは、この欠失が受容体の構造とシグナル伝達を変化させ、色素産生を減少させつつも皮膚内での免疫細胞の持続性を助ける可能性を示す証拠を統合しました。 提案された *S1PR1*-白皮症の関係には追加の実験的検証が必要ですが、これは構造化生物学、免疫学、臨床遺伝学から得られた断片的な知見を具体的で検証可能な仮説へと転換する上で AI が果たしうる強力な役割を示しています。 チームはまた、神経筋コホートにおいて表現型の拡大の可能性も確認しました。*HSPB8* と *CDK13* の有害変異は、これらの遺伝子に関連する最もよく知られた疾患と完全に一致せず、より広範な臨床スペクトラムを示唆しています。これは、さらなる症例収集と実験室検査によって検証が必要であることを意味します。 ## 限界 本研究は、一般目的の推論モデルが、表現型、遺伝様式、変異注釈、データ品質パターン、および科学文献を統合して検証可能な仮説を構築することで、後方視的ゲノム再解析に貢献し得ることを示しています。また、知識の進展や断片的な記録の統合によって初めて明らかになる答えもあるため、定期的な再解析がなぜ重要であるかも示唆しています。 この研究は、患者、臨床医、または顧客が OpenAI モデルを用いて疾患を診断したり医療上の判断を下したりすべきだという証拠を示すものではありません。また、OpenAI o3 Deep Research、ChatGPT、または他のいかなる OpenAI 製品も診断のために意図された顧客利用として記述・推奨するものでもありません。モデルは参加者を診断したわけではなく、すべての診断は医師および他の資格のある臨床専門家が、確立されたレビュー、検査、および臨床確認のプロセスを通じて行いました。 本研究は後方視的であり、コホートは多様性を有し、評価者はモデルの信頼度について盲検化されていません。研究者は、節約された時間、コスト、臨床医の労力、偽陽性による作業負荷、またはケアの変化を測定していません。また、構造的変異、リピート拡大、深部イントロン変化、モザイクなど、他の形態の遺伝的変異についても体系的に評価していません。 大規模言語モデルは文脈を誤って読み取ったり、詳しく検証すると綻びが見える説得力のある説明を生み出したりする可能性があります。そのため、すべての結果は人間の裁定と臨床的な確認を経由して処理されます。このモデルは検索範囲を広げ、その後の人間主導の分析に焦点を当てる役割を果たしましたが、家族に返すべき情報や診断内容を決定するものではありません。 本研究では、個人を特定できない情報を使用し、保護された医療情報は承認された環境外で利用または送信されることはありませんでした。より広範な臨床現場での導入には、すべての医療ケアに適用されるプライバシー、セキュリティ、監査可能性、および地域規制への同様の注意が必要です。モデルへのアクセスは、シーケンシングインフラストラクチャ（配列解析基盤）、遺伝カウンセリング、確認検査、または専門家の判断を代替するものではありません。 キャサリン・ブラウンスタイン博士、ボストン小児病院 マントン希少疾患研究センター所長 アラン・ベッグス、マントン希少疾患研究センターディレクター ## 今後の展望 将来の多施設共同研究では、診断的発見率、候補までの時間、臨床医の負担、偽陽性の負荷、コスト、およびケアへの影響について、LLM（大規模言語モデル）支援による再解析と標準的な実践を比較すべきです。再現性と安全性のためには、バージョン管理されたプロンプト、参照チェック、監査ログ、そして較正された不確実性の扱いが重要となります。このような研究においても、証拠の評価、適切な検査の依頼、ならびに診断や治療決定を行うためには、資格を持つ臨床医の関与が依然として必要です。 本研究では OpenAI o3 Deep Research を使用しました。より新しい汎用モデルは、より多くの科学資料を検索・統合できますが、GPT‑Rosalind などの目的特化型システムは、タンパク質構造や機能へのバリアントの影響を含む、より深い生命科学分野の研究のために設計されています。これらの機能については本調査では検証されておらず、独自の評価とアクセス制御を必要とするでしょう。 OpenAI はこの初期研究の支援に貢献しましたが、次段階の研究はマントンセンターが OpenAI 財団からの助成金を通じて主導します。この助成金は、臨床チームが希少疾患症例をより迅速かつ一貫して分析できるよう支援する、プラットフォーム非依存で低コストの遺伝学 AI コパイロットを開発するというセンターの広範な取り組みを支えるものです。 中長期的な研究機会として、専門家主導の AI 支援再解析が、科学的理解を発見に追いつかせることができるかどうかを探求することが挙げられます。期待されるのは、AI が医師の診断を代替することではなく、慎重に評価された研究ツールが専門家が調査する価値のある証拠を特定するのを助けることです。何千もの家族にとって、今日未解決となっている疑問は、永遠に答えのないままになる必要はありません。

AI を用いて小児の希少遺伝性疾患を診断する医師支援

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト