一半罕见病在ICD里查无此人：UIUC团队用本地部署Agent把F1提高30%
UIUC团队9月10日发表于《npj Digital Medicine》的RDMA框架，用四个Agent（抽取-验证-匹配-监督）串联4-bit量化Mistral 24B，本地挖掘临床笔记中的罕见病与表型并锚定Orphanet/HPO编码：F1较RAG基线提升超30%，推理成本降10倍、硬件成本降17倍，单张RTX 3090即可部署，数据不出院内网，代码基准全开源。
数据视角 × 医疗数据从业者 ｜ 深度评论
先看三个数字：罕见病影响着约1/10的美国人；超过50%的Orphanet罕见病编码没有直接的ICD映射；人类表型本体（HPO）中只有2.2%的编码能在ICD里找到对应。 这三个数字叠加在一起，意味着一件事：一个罕见病患者哪怕已经确诊，他的病情大概率也无法以结构化编码的形式被医保系统、科研数据库和公共卫生统计"看见"。9月10日发表于《npj Digital Medicine》（DOI: 10.1038/s41746-026-03070-x）的RDMA框架，给出了一个数据不出院、成本降到1/10的解法。
缺口不是数据没有，是编码够不着
伊利诺伊大学香槟分校（UIUC）计算机系John Wu、Jimeng Sun团队与伊利诺伊大学医学院皮奥里亚分校儿科Adam Cross合作的这项工作，起点是一个被行业默认太久的结构性问题：ICD编码体系为常见病设计，粒度上根本装不下七千多种罕见病。患者的关键信息——症状叙述、检查数值背后的含义、用药调整的原因——全都埋在自由文本的病程记录里。
从临床笔记里挖罕见病，听起来是大模型的拿手好戏，但团队指出现有方法有三个致命伤：其一，医学缩写高度依赖上下文，同一个"NPH"，在神经科语境是"正常压力脑积水"，在内分泌语境是胰岛素治疗里的"中性鱼精蛋白哈格多恩"——早期标注基准里大量此类误读；其二，很多表型是隐式的，"血红蛋白8.5 g/dL"四个字背后站着"贫血"，团队统计基准中超过25%的表型从未被明说，全靠推断；其三，隐私红线——把含个人健康信息的病历上传云端大模型API，光是机构伦理审查（IRB）就足以让大多数医院望而却步。
四个Agent，一台3090：把"推理"拆成流水线
RDMA（Rare Disease Mining Agents）的设计哲学是：不微调、不上云、不堆参数，把推理拆成专家式的多步流程。 整个框架由四个Agent串联：
- Extractor（抽取）：把临床笔记按句切分，用相似度检索医学本体，找出显式提及的症状与疾病；
- Verifier（验证）：框架的"推理核心"——根据上下文展开缩写，查询检验事件数据库，把化验数值翻译成隐式表型；
- Matcher（匹配）：把验证过的发现锚定到HPO与Orphanet标准编码，绕过ICD这个"不够用的中间商"；
- Supervisor（监督）：审计分歧、标记不确定性，把有争议的案例递给人类专家复核。
跑这套流程的引擎出乎意料地朴素：一张4-bit量化的Mistral 24B，一块消费级RTX 3090（24GB显存）就能本地部署。论文给出的对比结果是这篇工作最"解气"的部分：这个小模型在五个基准中的四个上打败了Llama 3.3 70B，甚至压过GPT-5——包括两个唯一基于真实MIMIC-III临床笔记的赛道。整套系统的推理成本降低约10倍，硬件成本降低约17倍，相比RAG基线，F1提升最高超过30%。团队还用"句子聚合"把处理时间压掉75%，用不确定性标记机制把专家标注负担减轻约63%。
评论一：小模型赢了，赢得在"流程"而不是"参数"
RDMA最有普适价值的结论是那句朴素的话：对复杂医学任务，推理流程的结构比参数量更关键。 24B在多数基准上胜过70B和闭源旗舰，说明当任务被拆解成"抽取-验证-匹配-审计"的专业分工后，每一步的认知负担都降到了小模型可以可靠完成的水平。这个结论对国内医院信息科的意义是直接的：罕见病文档挖掘、专科队列构建这类任务，不需要等医院买得起算力集群——单卡本地部署、数据不出院内网的方案已经够用且更便宜。
评论二：罕见病数据基建是被系统性低估的工程
站在数据从业者的角度，这篇论文真正戳中的是中国医疗数据生态的同一块软肋。ICD编码的粒度问题不分国界——国内专病队列研究、单病种上报、罕见病目录管理，同样依赖"编码找得到病、病找得到人"的基本假设。当50%的罕见病编码在体系内无家可归，所有基于编码的统计都在系统性失真。
解药是这篇论文示范的路径：用本体（HPO/Orphanet）替代ICD作为锚点，用本地Agent把自由文本转成结构化编码，用人在环路把标注成本降下来。 每一环都是数据工程的活儿：本体检索库的构建（FAISS向量库）、检验数据库的整理、标注质控流程的设计——大模型只是流水线上的一个工位。对中国正在建设的罕见病登记体系和专病数据库来说，这是一份可以直接对照的施工图。
评论三：成本曲线决定可及性
最后值得强调的是那张成本表的产业含义。云端大模型API按量计费，处理全院级病历的费用足以劝退任何一家公立医院；而"10倍推理成本+17倍硬件成本"的下降，把罕见病挖掘从"科研立项级"的投入拉到了"科室可自费"的量级。医疗AI的公平性议题，很多时候不取决于模型多强，而取决于成本曲线下探到哪里。 当一家地市级医院用一张游戏卡就能把本院罕见病患者从病历里"找"出来，数据基建的普惠叙事才算真正落地。
代码与基准已全部开源（github.com/jhnwu3/RDMA），支持复现。罕见病患者的"隐形"问题不会一夜解决，但至少从这篇论文开始，把"看不见"变成"算得出"的路径已经铺好了第一段。
千方医数集编辑部 出品
