CT所見の3次元定位、未診断ゲノムの再解析、専門医を演じるLLMの限界――今週の24本が映したのは、医療AIの評価軸が予測精度から、根拠の確かさと臨床を実際に動かす力へ移りつつあることだ。

米国成人1871人を対象とした2024年の調査では、449人（24％）がメンタルヘルスに関して汎用大規模言語モデル（LLM）を利用したと回答した。利用者には精神症状や孤独感、従来治療へのアクセス困難を抱える人が多く、LLMがすでに非公式または補完的な支援手段となっている実態が示された。

睡眠段階判定AI「U-Sleep」をパーキンソン病と孤立性REM睡眠行動障害に適応させたところ、独立した臨床コホートでも判定一致度が改善した。モデルの信頼度は、要確認記録の抽出と高精度なREM睡眠区間の選択にも利用できる可能性が示された。

患者ごとの血算（CBC）が臨床的に安定する確率を機械学習で予測し、検査注文時に見直しを促すSmartAlertは、アラート後52時間のCBC件数を15.4％減少させた。ICU移送、在院日数、再入院、死亡には統計学的有意差が認められなかった。

胸部CTレポートの自由記載所見を、画像上のボクセル単位の3D領域に対応づける公開データセット「ReXGroundingCT」が構築された。3142件のCTを収録する大規模な試みだが、専用に微調整したモデルでもDice係数は0.205にとどまり、臨床利用までの距離も明確になった。

109カ国・地域のMicrosoft Copilot利用を分析したところ、病院への信頼が低い国ほど健康関連の会話が多く、質問内容には経済発展、高齢化、医療制度を反映した明確な違いがみられた。ただし、これは国単位の横断研究であり、個人レベルの行動や因果関係を示す結果ではない。

リンチ症候群の監視大腸内視鏡にコンピューター支援検出（CADe）を追加しても、腺腫検出率は有意に改善しなかった。リアルタイム光学診断（CADx）も一定の精度を示したが、鋸歯状病変の分類にはなお課題が残った。

オープンアクセスの機械学習モデル「FAST-NSTEMI」は、救急外来到着時の1回の高感度心筋トロポニンT測定でもNSTEMIを高い精度で識別し、ESC 0/1時間アルゴリズムより多くの患者を早期にrule-outまたはrule-inへ振り分けた。連続測定モデルでは識別能がさらに高まった一方、外部検証でのリスク過大推定や特定集団での性能低下も明らかになった。

画像検査に依存せず病院前に解剖学的重症度を推定するPHISEは、単独では院内死亡の予測性能がISSやNISSに及ばなかった。一方、バイタルサインなどの病院前情報と組み合わせた機械学習モデルでは、ISS・NISSを用いたモデルに近い性能を示した。

胃癌患者5237例を対象とした多施設研究で、術前CTと臨床情報を統合するDeepCompは、術後合併症を複数の外部コホートで高精度に予測した。さらに、外科医の判断を支援するとともに、術後の全生存も独立して層別化できる可能性が示された。