罕见病（Rare Diseases）如同隐匿在暗礁密布海域中的孤岛，据统计，全球有超过3亿人受到罕见病的困扰。尽管单病种发病率极低（通常定义为患病率低于1/2000），但迄今已发现的罕见病种类已超过7000种，其中约80%具有遗传学基础。对于患者而言，确诊之路往往是一场漫长且充满折磨的“诊断奥德赛”（Diagnostic Odyssey）。患者平均需要经历超过5年的时间，辗转多个科室，经历反复的误诊和不必要的医疗干预，不仅延误了***佳治疗时机，更带来了沉重的心理和经济负担。如何借助前沿技术打破罕见病诊断的困局，一直是医学信息学和计算生物学领域的焦点。《Nature》的研究报道“An agentic system for rare disease diagnosis with traceable reasoning”，研究人员提出了一种名为DeepRare的多智能体系统（Multi-agent System），该系统由大语言模型（Large Language Models, LLMs）驱动，无缝集成了40多种***医学工具和实时更新的知识库。它不仅能够处理多模态的临床输入，更重要的是，它能输出带有透明推理链条的诊断假设，且每一步推理都关联着可验证的医学证据。这项研究不仅为罕见病诊断提供了强大的数字化引擎，更深刻地展示了人工智能将如何重构未来的临床工作流。 

也是阻碍AI走向临床的***关键一点——透明度与可追溯性。在严肃的医疗决策中，临床医生绝不会盲目信任一个给出概率分数的“黑盒”模型。诊断建议必须伴随着透明、符合医学逻辑的推理过程，且这些推理必须能够追溯到权威的医学指南、文献或真实的相似病例。只有这样，才能建立起医生对AI系统的信任，并确保医疗责任的可追溯性。

面对这些挑战，近年来兴起的基于大语言模型的智能体系统（Agentic LLM Systems）展现出了变革性的潜力。与传统的监督学习方法不同，智能体系统通常是“免训练”（Training-free）的，在少样本甚至零样本（Zero-shot）场景下表现出色。更重要的是，它们可以通过模块化的架构调用外部工具、检索实时知识，从而在底层逻辑上契合了罕见病诊断的复杂需求。DeepRare正是这一理念的集大成者。

从数据来源的维度来看，这6,401个病例代表了三种不同层级的诊断难度。***类是来源于学术论文的病例，包括RareBench-MME（40例）、RareBench-LIRICAL（370例）以及DDD研究（2,283例）。这类病例往往被记录得非常典型且详尽，诊断难度相对较低。第二类是来源于病例报告平台的病例，如RareBench-RAMEDIS（624例）和MyGene2（146例），具有中等诊断难度。

***具挑战性，也是***能反映系统真实临床水平的，是第三类直接来自真实临床中心的病例。这包括德国汉诺威医学院的RareBench-HMS（88例），波士顿贝斯以色列女执事医疗中心的MIMIC-IV-Rare（1,875例），以及两个全新的内部数据集——上海新华医院（975例）和湖南省儿童医院（162例）。特别是内部数据集中的部分病例，不仅包含详尽的临床表型记录，还附带了原始的WES基因测序VCF文件，且所有***终诊断均经过了基因检测的严格金标准验证。

在这个规模***、维度复杂的基准测试中，DeepRare交出了一份令人瞩目的答卷，其表现可谓对现有诊断工具和通用大模型形成了碾压之势。

ctDNA的提取在肿瘤筛查中，是重要的前置步骤。目前常用的提取方法是利用生物磁珠，主要是硅羟基磁珠或羧基磁珠对血清血浆的ctDNA进行提取，由于磁珠的粒径小，比表面积大，在特定提取缓冲液中，对核酸的吸附会更加灵敏，相比于其他方法，使用生物磁珠对进行ctDNA提取得率会更高，检测灵敏度和检出限也会更合适，搭配核酸提取仪，更能实现全程自动化的提取。