犹他大学(UOfU)Health、FabricGenomics的研究人员以及RadyChildren's领导的一项研究的合作者在一份报告中指出，基于人工智能(AI)的技术可以快速准确地诊断危重儿童的罕见疾病圣地亚哥的医院。

这项发现(“人工智能能够对罕见遗传病进行全面的基因组解释和候选诊断提名”)发表在《基因组医学》上，预示着医学的下一阶段，技术可以帮助临床医生快速确定疾病的根本原因，以便为患者提供治疗科学家表示，尽早采取正确的治疗方法。

该论文的共同通讯作者MarkYandell博士表示：“这项研究是一个令人兴奋的里程碑，表明人工智能驱动的决策支持技术的快速洞察有可能显着改善患者护理。”Yandell是犹大健康大学人类遗传学教授、EdnaBenning总统捐赠主席，也是Fabric的创始科学顾问。

“在患者表型背景下对遗传变异的临床解释正在成为罕见遗传病基于基因组诊断的成本和时间支出的最大组成部分。人工智能(AI)有望通过将预测方法与不断增长的遗传疾病知识相结合，极大地简化和加速基因组解释。在这里，我们评估了FabricGEM的诊断性能，这是一种基于人工智能的新型临床决策支持工具，用于加快基因组解释，”研究人员写道。

“我们在119名先证者的回顾性队列中对GEM进行了基准测试，其中大多数是NICU(新生儿重症监护病房)婴儿，被诊断患有罕见遗传病，并接受了全基因组或全外显子组测序(WGS、WES)。我们在从五个学术医疗中心收集的60个病例的单独队列中重复了我们的分析。为了进行比较，我们还使用当前最先进的变体优先级工具分析了这些案例。比较包括三人组、二人组和单人案例。

“支持诊断的变异跨越了不同的遗传模式和类型，包括结构变异(SV)。通过两种方式从临床记录中提取患者表型：手动和使用自动化临床自然语言处理(CNLP)工具。最后，14起之前悬而未决的案件被重新分析。

“GEM将超过90%的因果基因列为第一或第二候选基因，并使用手动策划或CNLP衍生的表型描述，优先审查每个病例中位数3个候选基因。当作为单人进行分析时，三人组和二人组的排名没有变化。在20个具有诊断SV的病例中，GEM将17个病例确定为首要候选者，并在19/20中将其确定为前5名，无论SV调用是由GEM使用其自己的内部SV检测算法从头开始提供还是推断。

“在没有亲代基因型的情况下，GEM表现出类似的表现。对14个之前未解决的案例进行分析，其中1个案例有新发现，3个案例最终未通过人工审核，10个案例没有新发现。

“GEM通过自动提名非常短的候选基因和疾病列表来进行最终审查和报告，从而实现了包括所有变异类型的诊断解释。与CNLP的深度表型分析相结合，GEM能够实现遗传病诊断的大幅自动化，从而可能降低成本并加快病例审查。”

在世界范围内，每年约有七百万婴儿出生时患有严重的遗传疾病。对于这些孩子来说，生命通常从重症监护开始。美国的一些新生儿重症监护室(包括UHealth大学)目前正在通过读取或测序构成人类基因组的30亿个DNA字母来寻找疾病的遗传原因。虽然对整个基因组进行测序需要几个小时，但诊断疾病可能需要几天或几周的计算和手动分析。

扬德尔说，对于一些婴儿来说，这还不够快。了解新生儿疾病的原因对于有效治疗至关重要。在出生后24至48小时内获得诊断为这些患者提供了改善病情的最佳机会。Yandell的团队知道速度和准确性至关重要，因此与Fabric合作开发了新的FabricGEM算法，该算法结合了人工智能来查找导致疾病的DNA错误。

在这项研究中，科学家们通过分析来自拉迪儿童医院和世界各地其他五个医疗中心的179名先前诊断的儿科病例的全基因组来测试GEM。GEM在92%的情况下将致病基因识别为前两个候选基因之一。这样做的性能优于现有工具，后者完成相同任务的时间不到60%。

“博士。Yandell和犹他大学团队处于将人工智能研究应用于基因组学的前沿。”FabricGenomics首席执行官、该论文的合著者MartinReese博士说道。“我们的合作帮助Fabric实现了前所未有的准确性，为在NICU中广泛使用人工智能驱动的全基因组测序打开了大门。”

Reese解释说，GEM利用人工智能从庞大且不断增长的知识体系中学习，这对于临床医生和科学家来说已经变得难以跟上。他继续说道，GEM交叉引用来自不同人群的基因组序列的大型数据库、临床疾病信息以及其他医学和科学数据存储库，将所有这些与患者的基因组序列和医疗记录相结合，并补充说这有助于医疗记录搜索，GEM可以与自然语言处理工具Clinithink的CLiXfocus结合使用，该工具可以扫描大量医生的笔记以了解患者疾病的临床表现。

“重症儿童很快就会积累许多页的临床记录，”扬德尔说。“作为诊断过程的一部分，医生需要手动检查和总结笔记内容，这会耗费大量时间。Clinithink工具能够在几秒钟内自动转换这些笔记的内容以供GEM使用，这对于速度和可扩展性至关重要。”

现有技术主要识别小的基因组变异，包括单个DNA字母的变化，或一小串DNA字母的插入或删除。相比之下，研究人员表示，GEM还可以发现“结构变异”作为疾病原因。这些变化规模更大，而且往往更复杂。据估计，结构变异是10%至20%的遗传病的原因。

“能够更加确定地进行诊断开辟了一个新领域，”犹他大学健康中心新生儿科医生兼儿科教授LucaBrunelli医学博士说，他领导的团队使用GEM和其他基因组分析技术来诊断NICU中的患者。他的目标是为在这些工具开发之前不得不生活在不确定性中的家庭提供答案。他说，这些进步现在为孩子生病的原因提供了解释，使医生能够改善疾病管理，有时甚至可以促进康复。