SpAgents：多智能体协同诊断系统破解中轴型脊柱关节炎6.7年诊断延迟，敏感性达94%比肩资深风湿科专家
一、研究背景
中轴型脊柱关节炎（axSpA）是一种以慢性腰背痛为主要表现的高致残性风湿免疫病，我国患病率约0.78%，患者近1,100万。该病的临床最大痛点是诊断延迟极其严重：因其早期症状缺乏特异性，患者从发病到确诊平均耗时长达6.7年——这一惊人的延迟数字来自一项覆盖全球的系统综述 DOI: 10.1093/rheumatology/keaa807。若错失最佳干预时机，3年致残率可达45%，5年升至70%，严重者可发展为不可逆的"竹节样脊柱"。
核心困境在于：基层全科医生（PCP）和低年资医生缺乏足够的axSpA识别经验，而专科风湿免疫医生资源又高度集中在三甲医院。如何在基层及非专科场景实现早识别、早转诊，是临床亟待攻克的课题。
2026年初，解放军总医院第一医学中心风湿免疫科联合清华大学自动化系生物信息学团队，在Nature旗下顶刊 npj Digital Medicine（IF=15.1）发表重磅成果——SpAgents：一套基于多智能体框架的中轴型脊柱关节炎早期辅助诊断系统 PMID: 41571772 DOI: 10.1038/s41746-026-02372-4。
二、研究创新点
SpAgents的创新可总结为"四个智能体模拟专家诊疗全流程"：
1. PlannerAgent（规划智能体）：统筹整体诊疗流程与任务调度，模拟风湿科专家在面对新患者时的决策流程——先查什么、后问什么、何时需要影像学辅助。
2. DataAgent（数据智能体）：自动解析电子病历，精准提取症状、实验室检验及病史中的关键信息，将非结构化的临床记录转化为结构化的特征表示。
3. ToolAgent（影像智能体）：依托自研AI模型，智能判读骶髂关节MRI影像。在axSpA诊断中，影像学证据（尤其是MRI下的骨髓水肿和骶髂关节炎）是关键依据，但基层医生往往难以准确判读。
4. DoctorAgent（医生智能体）：整合前三个智能体的输出，生成可解释的诊断建议及临床依据。它不是简单地给一个"是/否"标签，而是输出完整的推理链路。
此外，系统内置长期记忆学习机制（Long-term Memory），可依托已确诊的既往病例持续迭代优化，模仿资深医生的临床经验积累过程。目前该系统已获3项国家发明专利授权。
三、技术原理
SpAgents的技术架构围绕"规划-执行-整合"三阶段展开：
多智能体协作流水线：当一位新患者的信息进入系统后，PlannerAgent首先分析已有的临床信息（主诉、病史摘要），制定分步诊断计划。随后DataAgent从EHR中抽取结构化的关键特征——包括炎性腰背痛特征（晨僵、活动后改善、夜间痛）、HLA-B27基因检测结果、CRP/ESR等炎症指标。ToolAgent同步分析骶髂关节MRI，输出炎症评分和可疑病变区域。最后DoctorAgent综合所有证据，生成诊断结论、置信度评估和鉴别诊断列表。
记忆增强机制：SpAgents的长时记忆模块采用向量检索技术，将每位已确诊患者的完整诊疗过程存储为可检索的"经验单元"。遇到新病例时，系统自动检索最相似的既往案例，辅助DoctorAgent进行类比推理。数据显示加入记忆模块后，各数据集的敏感性和准确性均有统计显著提升。
分层信息融合策略：研究团队设计了一个关键实验——向SpAgents提供不同层次的信息（仅病史 → +实验室 → +MRI），模拟真实基层临床场景。结果显示，随着信息量的增加，系统输出"不确定"回答的比例显著下降，准确率逐步攀升。这验证了多模态信息融合对axSpA诊断的叠加价值，也为"基层先做基础检查、需要时再补充MRI"的分级诊疗路径提供了技术支撑。
数据集与评估设计：研究共纳入596名患者，其中545名来自一家医院（训练集359例+验证集186例），另51名来自5家不同医院作为独立外部测试集。评估对比了7位医生（3位全科医生+3位不同年资风湿科医生+1位骨科医生），使用McNemar检验和bootstrap差异检验进行统计比较。
四、实验结果
SpAgents在三大评测维度上展现出强劲性能：
独立测试集表现：在51例外部独立测试患者中，SpAgents诊断敏感性高达 93.75%，特异性73.68%。验证集中的敏感性为86.15%，特异性80.00%。高敏感性意味着几乎不会漏掉真正的axSpA患者——在需要防止诊断延迟的场景中，这是最关键的性能维度。
与医生的头对头比较：SpAgents的敏感性（94%）和总体准确率（86%）显著超越全科医生和低年资风湿科医生（p<0.05），与资深风湿科专家的诊断水平无统计学差异——即AI已达到了"高年资专科医生级别"的识别能力 PMID: 41571772。
AI辅助效应：最令人振奋的是"人机协同"结果。在SpAgents辅助下，全科医生和低年资风湿科医生的诊断敏感性和准确性均显著提升。更为重要的是，这种提升在三个月后的随访中仍然持续存在——说明AI不仅是"给出答案"，更在无形中训练了医生的诊断思维，产生了持久的学习迁移效应。
可解释性：DoctorAgent输出的诊断建议附带完整的临床推理依据，包括引用自指南的关键证据、影像发现的具体描述，以及鉴别诊断的排除逻辑。这种透明度是获得临床采纳的关键前提。
五、应用前景
SpAgents的应用场景精准指向中国医疗资源分布不均的痛点：
赋能基层：社区卫生中心和乡镇卫生院的全科医生，面对慢性腰背痛的年轻患者时，可借助SpAgents快速筛查可疑axSpA病例，及时转诊至风湿免疫科。这直接对治"平均6.7年诊断延迟"这一全球性难题。
低年资医生培训：研究已验证的"AI辅助→能力提升→效果持续"路径，意味着SpAgents可以内嵌到住院医师规范化培训中。年轻医生在AI辅助下接诊axSpA疑似患者，既保障了当前诊断质量，又加速了自身成长曲线。
分级诊疗闭环：SpAgents的分层信息融合策略天然适配分级诊疗场景——基层做初步筛查（病史+基础检查），AI判定不确定时建议转上级医院做MRI，再由AI联合专科医生确诊。整个链条无需额外资源投入，仅需接入现有EHR和PACS系统。
跨病种扩展潜力：本研究的多智能体框架不限于axSpA——类风湿关节炎、强直性脊柱炎、银屑病关节炎等同样面临基层识别困难的风湿免疫病，均可复用PlannerAgent+DataAgent+DoctorAgent的核心架构，仅需替换ToolAgent的影像模型即可。
六、结论
SpAgents的研究价值远不止于"又一个AI诊断模型"。它精准击中了axSpA诊断延迟这一全球性临床痛点，用四个专业智能体模拟了从基层首诊到专科确诊的完整诊疗链，在596例真实患者数据上证明AI已具备与资深风湿科专家相当的诊断敏感性。更值得关注的是，它不仅是"给答案"，还能"教医生"——AI辅助效应在三个月后仍持续存在，提示了一条从"AI替代人"到"AI成就人"的范式路径。
当然，挑战依然存在：MRI骨改变类型的精细区分仍是瓶颈，与医院HIS/PACS的深度集成需要工程化推进，前瞻性临床验证尚未完成。但作为一个来自中国顶级临床+AI交叉团队的工作，SpAgents已经为"AI赋能基层风湿免疫诊疗"这个命题交出了一份高质量的阶段答卷 DOI: 10.1038/s41746-026-02372-4。
参考文献
-
Ji X, Li Z, Zeng L, et al. Early diagnosis of axial spondyloarthritis in primary care using multi-agent systems. NPJ Digital Medicine. 2026;9(1):185. PMID: 41571772 DOI: 10.1038/s41746-026-02372-4
-
Zhao SS, et al. Diagnostic delay in axial spondyloarthritis: a systematic review and meta-analysis. Rheumatology. 2021;60:1620-1628. PMID: 33027501 DOI: 10.1093/rheumatology/keaa807
-
Navarro-Compán V, et al. Axial spondyloarthritis. Annals of the Rheumatic Diseases. 2021;80:1511-1521. PMID: 33563784 DOI: 10.1136/annrheumdis-2021-219869