一言で言うと
答えはもともと患者のゲノム（その人の全遺伝情報）の中にありました。ただ、それを探し出せていなかったのです。診断がつかなかったのは、医師の知識が足りなかったからではありません。
人の遺伝子は、標準的な配列と比べると一人あたり数百万か所も違い、そのほとんどは無害な個人差です。この膨大な違いの中から「病気を起こす一つ」を見つけ、しかも日々更新される文献と突き合わせる作業が重すぎて、人の手では追いきれなかったのです。
OpenAIのo3 Deep Research（深く推論しながら自分で資料を集めるAI）がこの突き合わせを肩代わりし、専門家が確認した18件の新しい診断につながりました。
何が起きているのか
ボストン小児病院（Manton Center for Orphan Disease Research）・ハーバード大学・OpenAI の研究チームは、過去の検査で解決しなかった希少遺伝疾患のゲノムデータ376件を o3 Deep Research に分析させました。モデルは各症例について、遺伝子変異と疾患の関係を示す証拠を文献や症例データベースから照合し、候補となる診断の手がかりを提示しました。
研究者と臨床医がその手がかりを精査し、追加の検査で裏づけを取った結果、これまで診断がつかなかった患者のうち18人について、新たに病名を特定できました。376件中18件、割合にして4.8%です。この研究は2026年6月18日、医学誌 NEJM AI に掲載されました。
ここで重要なのは、AIは診断を下していないという点です。モデルが行ったのは「可能性のある説明とその根拠の提示」に限られ、最終的な診断は医師が追加検査と臨床確認を経て行いました。
希少遺伝疾患の患者は、専門家が手を尽くして検査しても、約半数が診断のつかないまま残ります。理由は大きく2つあります。
ひとつは、手がかりがバラバラの場所にあることです。ある患者の手がかり——遺伝子の違いのデータ、関連する研究論文、似た症例の記録——は、それぞれ別のデータベースに分かれて保管されています。パズルのピースが別々の箱にしまわれているようなもので、ピース自体はあるのに、専門医でも全部を一つの机に並べて突き合わせるのが難しいのです。
もうひとつは、検査した時点では「答えがまだ存在しなかった」場合があることです。子どものゲノムを調べた当時は、ある遺伝子の違いが病気と関係するとまだ分かっていなかった、ということが起こります。その後に研究が進んで関連が判明すれば、同じゲノムデータをもう一度分析するだけで、診断がつくことがあります。
AI業界の文脈では
「AIが難しい診断を解いた」という読み方が最初に浮かびますが、その読み方には注意が必要です。一般的に「ゲノム解析で解けなかった」とは、「専門医が持てる知識を使い果たした」状態だと理解されます。しかし今回の研究が示したのは、そうではなかったということです。
この通説が立っている前提は「専門医の知識が限界なら、データから取れる情報も尽きている」というものです。しかし実際は違いました。先に見たとおり、一人のゲノムには標準と違う箇所が数百万もあり、しかも「どの違いがどの病気に関わるか」の知識は世界中の文献に分かれて日々増えています。情報の量と更新の速さが、人間が追える範囲をすでに超えているのです。
もうひとつ見落とされがちな点は、診断の失敗が「永続的」ではないという構造です。患者のゲノムは変わりませんが、その解釈に必要な科学知識は進歩し続けます。3年前に解けなかったゲノムが、今日の文献と照合すれば診断できるかもしれない。今回の研究はその可能性を実証しました。
私の見立て
情報の流れという観点で見ると、今回の核心は「病院が持つ患者のゲノム」と「世界中の文献に散らばる最新知識」を結びつけるコストにあります。この橋渡しはこれまで人手では現実的にできませんでしたが、o3 Deep Research がそれを肩代わりしました。
インセンティブの観点では、「未解決症例の定期的な再分析」という新しい業務が成立しえます。患者のゲノムを一度取得したあと、科学知識の更新に合わせて定期的にAIで再分析するサービスです。これは従来「コストが高すぎて現実的でない」とされていた業務です。AIが照合コストを下げることで、継続的な再分析が医療機関の選択肢に入ってきます。
ただし、AIが提示した手がかりのすべてが診断に繋がるわけではありません。今回の376件のうち、新診断が確立されたのは18件（4.8%）です。残りの手がかりは追加検査の結果、診断に至りませんでした。「手がかりを出す精度」と「診断に繋がる割合」は別の指標であり、臨床現場での運用コストはこの比率次第です。
→ 何が変わるか: 希少遺伝疾患の診断が「一度検査して終わり」ではなく「知識の更新に合わせて繰り返すもの」に変わる可能性が出てきました。ボストン小児病院のような機関が、この手法を定期的な再分析ワークフローに組み込む動きが今後起こりえます。
→ 何をすべきか: 医療AIを活用する立場であれば、「診断支援」という言葉の中身を「情報統合の補助」と「診断の代替」に区別して議論する習慣をつけておくとよいです。今回のモデルは後者ではなく前者の役割に留まっており、この設計の違いが臨床承認や責任の所在に直結します。