ARPA-H 拟以 AI 加速罕见病诊断，RAPID 项目新批四项资助近 8300 万美元

罕见病的诊断素来是一场漫长的“奥德赛”。仅美国就有约3000万罕见病患者，全球逾3-4亿人受累，传统诊断高度依赖临床经验与文献检索的启发式方法，大量患者多年得不到确诊，部分甚至至死没有明确答案^[1]；患儿家长在医疗、教育、残障服务等多个系统间奔走，长期承受无诊断之苦^[4]。测序技术带来了实质突破：基因panel、微阵列与外显子测序已能解开约25-35%未确诊患者的病因^[1]；英国10万基因组计划先导研究显示，疑为单基因病因者诊断率可达35%，而复杂病因者仅11%^[2]；澳大利亚急性护理基因组项目借助全基因组测序与多组学整合，将危重患儿家庭的总体诊断率推至54%^[3]。但整体诊断率仍难令人满意，表型描述的异质性、噪声与专家知识利用不足是公认瓶颈^[5]；Xrare等机器学习方法通过联合建模表型与遗传证据，在多种诊断场景下较既有方法提升10-40%^[5]，既显示AI潜力，也折射出高质量数据与工具的匮乏。

正是在此背景下，ARPA-H于2024年12月启动“罕见病AI/ML精准整合诊断”（RAPID）计划，承诺4.5年内投入至多9850万美元，开发AI驱动的诊断工具及其赖以训练的大规模数据集。据最新消息，该机构现已据此发出四个新资助，总额至多近8300万美元，旨在支持研究者借助AI加速构建罕见病大数据集与AI工具，实现更早诊断并推进治疗研发。报道列出的相关机构包括亚马逊、Anthropic、FDNA、谷歌、劳伦斯伯克利国家实验室、NIH以及美国罕见病组织。

与既往努力相比，这一计划的着力点有所不同。此前的进展多发生在单个项目或单一算法层面——测序技术迭代^[1]、国家级基因组计划^[2]、危重场景的快速诊断流程^[3]或表型-基因联合建模的优化^[5]，而表型噪声与知识利用不足等瓶颈依旧^[5]。RAPID则将大规模数据集建设与AI工具开发并举，以国家层面的系统性投入直接瞄准数据瓶颈，并把更早诊断与治疗研发衔接起来。

不过，这仍是刚落地的资助布局，四个项目能否转化为临床可用的早诊工具、惠及多少病种与人群，有待时间检验。即便在条件优越的研究项目中，复杂病因罕见病的诊断率也仅11%^[2]，而诊断奥德赛对家庭的消耗，不会因技术承诺而自动消失^[4]。