LiteOdyssey: A Lightweight Reasoning AI Agent for Interpretable Rare-Disease Diagnosis

Resumen Técnico: LiteOdyssey

Planteamiento del Problema

El diagnóstico de enfermedades raras se caracteriza por una baja prevalencia individual, heterogeneidad clínica y un solapamiento significativo con condiciones comunes, lo que conduce a prolongadas "odiseas diagnósticas". Aunque existen herramientas computacionales para etapas específicas (por ejemplo, el emparejamiento de fenotipos o la priorización de variantes), estas suelen fallar al no proporcionar un razonamiento de extremo a extremo. Los enfoques actuales de Modelos de Lenguaje de Gran Escala (LLM) para el diagnóstico de enfermedades raras suelen depender de una infraestructura pesada —como la orquestación de múltiples agentes, bases de datos masivas de recuperación de casos curados o el ajuste fino (fine-tuning) de tareas específicas— para lograr un alto rendimiento. Estos diseños crean barreras significativas para el despliegue, la auditoría y el mantenimiento, particularmente en entornos con recursos o datos limitados. El artículo postula que un rendimiento diagnóstico de vanguardia podría lograrse no escalando el tamaño del modelo o la infraestructura, sino extendiendo la cadena de razonamiento de un único agente dentro de un flujo de trabajo clínico estructurado.

Metodología

Los autores presentan LiteOdyssey, un marco ligero de un solo agente diseñado para el diagnóstico de enfermedades raras de extremo a extremo y basado primero en el fenotipo. El sistema opera sin ajuste fino, sin ensambles de múltiples agentes y sin grandes bases de datos de recuperación de casos. En su lugar, se basa en tres componentes principales:

1. Biblioteca de Herramientas Biomédicas: Un conjunto de ocho herramientas de línea de comandos que proporcionan acceso dinámico a fuentes de conocimiento biomédico públicas (Monarch Initiative, OMIM, ClinGen, gnomAD, PubMed). Estas herramientas gestionan tareas específicas tales como el ranking de fenotipo a gen, verificaciones de validez de gen-enfermedad, análisis de herencia y recuperación de literatura.
2. Flujo de Trabajo Clínico Estructurado: Un flujo de trabajo de razonamiento de ocho fases ejecutado por un único modelo de lenguaje con capacidad de razonamiento. Las fases incluyen:
   • Reconocimiento de Patrones: Formulación de hipótesis iniciales a partir de términos HPO.
   • Generación de Candidatos: Consulta de herramientas de fenotipo a gen.
   • Triaje de Evidencia: Validación de la evidencia gen-enfermedad.
   • Investigación Profunda: Recuperación de evidencia a nivel de enfermedad (inicio, características).
   • Evaluación de Confianza: Determinación de si el principal candidato explica el fenotipo completo.
   • Búsqueda Correctiva: Búsquedas dirigidas para nuevos candidatos o aquellos mal indexados.
   • Adjudicación Reflexiva: Reevaluación de candidatos frente a competidores.
   • Salida Final: Generación de un diferencial de los cinco mejores clasificados.
3. Iteración de Política con Retroalimentación Humana (PIHF): Un proceso de optimización libre de pesos utilizado para desarrollar la política diagnóstica. En este ciclo, un modelo congelado ejecuta la política en casos de desarrollo; un experto en el dominio revisa las trazas de razonamiento y las califica; el modelo genera críticas de los fallos; y el experto guía la revisión del documento de política en lenguaje natural. Esto crea un artefacto de política persistente y auditable que puede ser ejecutado por cualquier modelo con capacidad de razonamiento sin necesidad de reentrenamiento.

Contribuciones Clave

1. Marco LiteOdyssey: Un sistema de un solo agente, aumentado por herramientas, que guía a un modelo de lenguaje a través de un flujo de trabajo de genética clínica, consultando dinámicamente herramientas públicas para generar un diagnóstico diferencial clasificado.
2. Rendimiento de Vanguardia con Huella Mínima: El sistema logra una alta precisión diagnóstica sin ajuste fino, sistemas de múltiples agentes o grandes bases de datos de recuperación, reduciendo significativamente la carga de despliegue en comparación con el estado del arte previo.
3. Interpretabilidad y Auditabilidad: Cada diagnóstico viene acompañado de una traza de razonamiento a nivel de caso, lo que permite a los clínicos inspeccionar la evidencia, cuestionar las inferencias y comprender la lógica de las clasificaciones.
4. Metodología PIHF: Un proceso de colaboración humano-IA transparente que produce un artefacto de política reutilizable, permitiendo que el sistema se transfiera entre diferentes familias de modelos (de pesos abiertos y cerrados) sin modificaciones.

Resultados

El sistema fue evaluado en dos bancos de pruebas públicos (LIRICAL y PhenoPacket Store) y una cohorte privada del mundo real (Undiagnosed Diseases Network - UDN).

• Benchmarks Públicos: En los 1,243 casos combinados (370 LIRICAL, 873 PhenoPacket), LiteOdyssey logró un Recall@1 general del 59.3%.
  • LIRICAL: 58.6% de Recall@1 (frente al 35.1% de la línea base paramétrica sin herramientas).
  • PhenoPacket Store: 59.6% de Recall@1 (frente al 22.9% de la línea base).
  • Subconjunto Ultra-Raro: En el difícil subconjunto de PhenoPacket donde las enfermedades causales no estaban mapeadas a Orphanet, LiteOdyssey logró un 60.7% de Recall@1, comparado con el 10.7% del modelo de línea base sin herramientas.
• Generalización:
  • Casos No Vistos (Held-out): Las mejoras de rendimiento persistieron en casos no vistos durante el desarrollo (ej. +23.4 puntos en casos de LIRICAL no vistos).
  • Transferencia de Modelo: La política, desarrollada en GPT-5.4, se transfirió eficazmente a un modelo más pequeño de pesos abiertos (Qwen3.6-35B) sin reajuste, reproduciendo ganancias significativas en ambos benchmarks.
  • Cohorte del Mundo Real: En 515 pacientes de la UDN (465 no vistos), el sistema mostró mejoras estadísticamente significativas sobre la línea base (Recall@1: 20.4% vs. 16.7%; Recall@5: 31.8% vs. 25.6%), a pesar de la dificultad inherente de los casos no diagnosticados.
• Predicción a Nivel de Gen: El sistema también mejoró el ranking de genes causales, con ganancias significativas en Recall@5 en la cohorte de la UDN.

Significancia y Reivindicaciones

El artículo sostiene que LiteOdyssey demuestra que el rendimiento diagnóstico en enfermedades raras no depende únicamente del conocimiento interno del modelo, sino significativamente de cómo se organiza su razonamiento. Al externalizar el proceso diagnóstico en una política estructurada y fundamentada en herramientas, el sistema logra resultados de vanguardia sin la pesada infraestructura (corpus curados, orquestación de múltiples agentes, ajuste fino) típica de los sistemas actuales.

Los autores enfatizan que este enfoque ofrece un camino hacia sistemas de IA que son:

• Precisos: Igualando o superando a sistemas complejos y con mucha infraestructura.
• Desplegables: Requiriendo solo un modelo y herramientas públicas, lo que los hace accesibles para grupos que carecen de recursos extensos.
• Transparentes: Proporcionando una cadena de razonamiento trazable que respalda la auditoría clínica y la revisión médica.

El estudio concluye que, para esta tarea, la "restricción vinculante" es la organización del razonamiento en lugar del volumen de datos de entrenamiento o los parámetros del modelo. Si bien el sistema actualmente depende principalmente de información fenotípica y carece de validación clínica prospectiva, sugiere que desplazar la lógica diagnóstica de los pesos del modelo hacia políticas portátiles e inspeccionables es una estrategia viable para la IA en enfermedades raras.