罕见病诊断更像破冷案，不像等神谕：凶手往往早就躺在卷宗里，只是当年没人认得那张脸。我判断，Boston Children’s（波士顿儿童医院）这类突破，多半来自旧数据重算，不是 AI（人工智能）灵光一现。
OpenAI 的案例页把这事写得很亮，说他们帮 Boston 找回了 40 多个多年无解的罕见病诊断，像是给医学塞进了一位“副驾遗传学家”。可 Boston 自己的罕见病项目写得更老实，也更接近真相：核心动作之一叫 second look（再看一眼），就是把当年没查出答案的基因检测，重新分析，重新解释，重新对照。到 2025 年 4 月，这套“再看一眼”已经在 32 名患者身上找到关键变异，而且一半以上直接改了治疗或随访。广告喜欢讲闪电，医院其实在翻卷宗。
这事最反常识的地方，就在这里。大家以为 AI 最擅长“看见前人看不见的东西”。恰恰相反，在罕见病里，真正贵的常常不是看见，而是重看。不是发现一个全新的孩子，而是用更新的知识、更新的筛子、更新的命名，把老样本里早就存在的异常重新捞出来。很多所谓新诊断，不是机器看见了新东西，而是医学终于有了新词去叫旧东西。
AI 在这里不是福尔摩斯，它更像那个把十年卷宗一夜之间排好索引的档案员。它把基因信息、症状碎片、病历记录和全球文献并到一张桌子上，帮医生少走弯路。案子能破，不是因为档案员会通灵，而是因为证据一直没丢。
Boston 把 AI 真正用得漂亮的地方，反倒很不浪漫：发票、排班、文书、流程，50 多个自动化，省下 6 万小时人力，腾挪出 700 多万美元。到了罕见病，逻辑也没变。它不是在天上抓灵感，而是在地上清仓库。医院先得把数据放在一起，再让机器帮人翻得更快。旧数据不是旧报纸，它更像没显影完的底片。药水一换，同一张底片会长出另一张脸。
看几个场景就明白了。2021 年，Wilson 出生第二天就发作癫痫。药换了一轮又一轮，发作还在。后来基因检测给出精确答案，治疗路径随之改写，癫痫才被按住。这里最关键的，不是机器突然“悟”了，而是那段致病信息从孩子出生起就写在身体里，只是终于被读懂。
还有一个二十出头的姑娘，癫痫和发育问题拖了二十多年。小时候，单基因检测还没铺开；长大后，保险门槛又把路堵死。最后，研究团队补上这道旧账，给出明确的基因答案。所谓突破，不是天降福音，不过是医学终于补考，而她等这张成绩单，等了半辈子。
再看那个 7 岁女孩。听力损失之外，她还有血管畸形、心脏结构问题、肝脾肿大和面容异常。婴儿期她做过当时能做的有限检测，没有答案。后来研究性全外显子测序（只看最常影响疾病的那部分基因）重算，才揪出 Niemann-Pick（尼曼匹克病，一种脂质代谢罕见病）C 型。结果不是一句“终于知道了”而已，她因此拿到了临床试验入场券。
还有一个 20 岁的脑瘫患者，家里一直以为是围产期损伤留下的后果。团队后来发现，他的问题不是那场分娩事故，而是遗传层面的错误。一个旧标签当场碎掉：原来这不只是出生那一下出了事，而是一种贯穿全身的问题，于是眼、肾、心脏的筛查都得跟着改。医学里最伤人的，不一定是没答案；很多时候，是抱着一个错答案活了二十年。
这也不是 Boston 一家的偶然。2025 年一项针对 4735 名长期未确诊患者的自动重分析研究，新增了 248 个诊断。最值得咂摸的不是总数，而是来源：29% 来自后来才建立的基因与疾病对应关系，23% 来自后来补齐的变异证据，48% 来自更好的过滤和分析策略。你看，绝大多数都不是凭空造出新数据，而是把旧数据放回新字典里再读一遍。
更妙的是，Boston 自家的年报还顺手戳破了神话：他们拿一个深度学习变异判断模型去试，结果对已知致病变异的识别还不到三分之一。机器当然有用，但远没到可以单枪匹马宣布真相的地步。它最像的，不是先知，而是熟练的馆员；不是火花，而是电灯。
所以我对这条新闻的判断很明确：别把它读成“AI 会自己想出罕见病答案”，要把它读成“医院终于有能力不让旧证据烂在库房里”。两种读法，花钱方向完全不同。前一种会让管理者迷上模型演示；后一种才会逼人去做脏活：清洗数据，统一病历，积累随访，重联家属，给医生留出复核时间。
医疗里最难的事，从来不是造一个更会说话的机器，而是造一个不再健忘的机构。罕见病家庭等的也不是一场硅谷式顿悟，而是一间终于把旧卷宗翻开的档案室。AI 可以把灯拧亮，但灯下那本案卷，早就在那里。
参考：OpenAI 案例页、Boston Children’s“再看一眼”项目、Boston Children’s 病例汇总、Broad 2026 重分析论文摘要、2025 自动重分析研究