基于证据的遗传病严重程度分类的大语言模型智能体

一项研究开发了结合 ReAct 与 RAG 的自主 AI 智能体，依据 ACMG 严重程度指南和 ACOG 生活质量标准检索 PubMed 文献，对 10,211 个 Human Phenotype Ontology 术语进行分类，并生成可解释推理链、独立核验结论。表型层面准确率 93.55%，MCC 0.9237，82.6% 至 91.4% 的结论有直接证据或有效推断支持。基因层面聚合 8,738 对，识别出 3,283 对严重或极重常染色体隐性组合，与 Mackenzie's Mission 基因列表一致率 95.2%。

遗传病严重程度分类此前依赖主观人工判断，在基因组筛查中形成瓶颈，且商业 panel 的规模与重叠差异较大。该工作把指南、文献检索与推理核验整合为自动化流程，并给出可解释推理链，使分类从个人经验判断转向可追溯的证据支持，为标准化 panel 设计提供基础。

系统将 ReAct 的推理与行动循环同 RAG 结合，先按 ACMG 与 ACOG 标准规划检索，再从 PubMed 拉取文献，生成推理链，并对每条结论做独立验证，最后在表型层面判定、在基因层面按配对聚合严重程度。外部基因列表比对作为额外校验环节。

对遗传检测与基因组筛查类产品，可减少人工审阅表型与基因严重程度的工作量，并让 panel 设计依据统一的证据标准，便于解释与审计。研发上需要接入文献库、指南知识库与可追溯的证据链展示，合规与临床审核流程也需适配自动分类结果。

• 为遗传检测实验室提供按 ACMG/ACOG 标准自动生成严重程度分级与证据链的模块，支持 panel 设计
• 构建可审计的文献证据追溯界面，让临床审核人员逐条查看推理链与支持证据
• 面向基因 panel 厂商提供重叠与规模比对工具，以标准化分类结果辅助 panel 差异分析

• 该智能体在真实临床或商业 panel 工作流中的落地效果和审核成本尚未见证据
• 93.55% 表型准确率所依据的专家队列规模、构成与偏差未在证据中说明
• 95.2% 与 Mackenzie's Mission 的一致率之外，与其他基因列表或地区标准的一致性未知
• 推理链中 82.6% 至 91.4% 未被完全支持的部分，其错误类型与纠正机制未说明