RDMA：小模型智能体从电子病历中低成本挖掘罕见病

npj Digital Medicine · 2026-09-10 · 期刊论文 · Wu JK, Sun J, Cross A

• 问题：罕见病影响约 1/10 的美国人，却在临床记录中系统性记录不足。基于 ICD 的系统无法覆盖其广度 —— Orphanet 编码中超过 50% 无直接 ICD 映射，HPO 编码中仅 2.2% 有匹配 ICD 码，导致患者群体"不可见"、诊断延迟。
• 难点：挖掘非结构化临床笔记是直接路径，但真实笔记长、嘈杂、缩写密集，且标注有限使微调不可行，需要无需任务特定训练也能泛化的方法。
• 方案：RDMA（Rare Disease Mining Agents） —— 一个智能体框架，为较小的量化 LLM配备工具：缩写解析、隐含表型推理、以及针对 Orphanet 与 HPO 的本体接地。
• 结果：RDMA 在具有不同数据特征的多个基准上显著优于微调与 RAG 基线，且无需任何任务特定训练；一个小型量化模型即达到最佳性能 —— 推理成本最多降低 10 倍、本地硬件成本最多降低 17 倍。
• 看点：这条最有价值的是"小模型 + 工具 + 本体接地 > 微调大模型"这一结论，以及它带来的成本数量级下降。对做科研智能体的人，"给模型配工具和领域本体，而不是堆算力"是可直接复用的工程判断。⚠️ 罕见病场景特化，迁移需重新验证。
• 🔗 打开原文

本文摘自《每日前沿研究简报 · 2026-09-12》「七、AI 科研智能体 / AI 科学家：小模型智能体与能力边界」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。