RareDxR1：超越人类标注的罕见病诊断自主医学推理

罕见病鉴别诊断是关键却艰巨的临床任务——要求医生从复杂、非结构化的患者症状中识别精确表型——并在巨大搜索空间内执行复杂推理。但既有AI方法通常依赖基于管线的表型抽取或检索增强生成——受预定义本体、检索瓶颈与诊断逻辑缺失之苦——造成关键信息损失。为应对这些挑战——我们引入RareDxR1——端到端、以推理为中心的大语言模型——设计用于直接从非结构化临床笔记进行开放域罕见病诊断。我们设计渐进式端到端训练框架——将知识内化与自主进化学习协同——从而绕开对结构化表型与闭集决策的依赖。为克服RAG与表型限制——我们将碎片化罕见病知识深度内化到模型参数中。此外——为弥合模型生成与专家推理之间的差距——我们提出反思增强推理采样（RERS）——无人工标注、从失败中学习以合成专家级诊断轨迹的策略。我们还提出双层课程强化学习方法以逐步掌握罕见病诊断。实验结果表明RareDxR1跨不同基准取得最先进准确率——标志着开放域罕见病诊断的重大突破。我们的代码与数据集将公开。