RareDxR1：面向罕见病诊断的端到端推理大模型

近日，一篇发表于 arXiv（编号 2607.00147v1）的研究论文提出 RareDxR1，一个以推理为中心的端到端大语言模型，旨在直接从非结构化临床笔记完成开放域罕见病鉴别诊断。论文指出，罕见病的鉴别诊断对临床医生而言耗时且困难，需要从复杂的患者症状中抽取精确表型，并在庞大的搜索空间内执行多步推理；而现有 AI 方案多依赖流水线式表型抽取或检索增强生成（RAG），容易因预定义本体导致关键信息丢失，并受限于检索瓶颈和决策空间的封闭性。

方法概览

RareDxR1 的核心是绕过结构化表型和封闭决策空间，采用「知识内化 + 自主进化学习」相结合的训练框架。具体包括三项关键设计：

• 知识深度内化：将原本碎片化的罕见病知识直接写入模型参数，从而规避 RAG 在检索环节的瓶颈与表型本体带来的限制；
• Reflection-Enhanced Reasoning Sampling（RERS）：一种从失败样本中学习的采样策略，可在没有人类专家标注的情况下合成具备专家水平的诊断轨迹，缓解模型生成与临床推理之间的差距；
• 双层级课程强化学习：通过由浅入深的课程式 RL，让模型逐步掌握罕见病诊断能力。

整体上，这是一种「渐进式端到端」训练思路，把诊断逻辑的学习和知识记忆整合到同一模型中，而不是拆分成多个流水线子模块。

实验与结果

论文报告，RareDxR1 在多个罕见病诊断基准上取得当前最优（state-of-the-art）准确率，被作者称为开放域罕见病诊断方向的「显著突破」。不过，摘要中并未给出具体的基准名称、对比模型和数字，相关细节需要查看正文与附录才能确认。

意义与局限

RareDxR1 的价值在于把罕见病诊断从「依赖结构化表型 + 检索」的模式，推向「直接消化非结构化笔记 + 自主推理」的模式，并在训练侧用 RERS 等机制降低对人工标注的依赖，对临床 NLP 与医疗 Agent 研究具有一定参考意义。需要注意的是，该工作目前仅为 arXiv 预印本，未经过同行评审宣读，且摘要未披露具体基准分数与消融实验细节，结论的稳健性仍有待后续验证。论文作者表示将公开代码与数据集，后续若资源如期发布，将有助于社区复现与进一步对比。