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。

過去のゲノム解析で診断に至らなかった希少疾患376例を大規模言語モデル（LLM）支援下で再検討したところ、18例で診断が確定し、診断率は4.8％上乗せされた。LLMが診断を自動確定するのではなく、見落とされていた所見を説明付きで提示し、専門家が検証するワークフローの有用性を示した研究である。

アフリカ系米国人女性を対象としたコホート研究で、自然発症と医学的適応による早産・早期正期産には、妊娠時期ごとに異なる母体血清の代謝シグネチャーが認められた。自然発症例ではアミノ酸代謝との関連が目立ち、6代謝物を組み合わせた自然早産の識別性能はAUC 0.77だった。

テキスト型AI標準化臨床試験（ASCE）の価値は、対面診療を忠実に再現することではなく、問診、診断推論、専門職としてのコミュニケーションを反復練習できる点にある。本稿は、ASCEを従来型OSCEの代替ではなく、教育目標を限定して用いる補完的手段と位置づけた論考である。

医療ベンチマークで高得点を取る大規模言語モデル（LLM）も、質問の文脈や表現を動的に変えると、正確性、安全性、公平性を維持できない可能性がある。本研究は、その隔たりを4つの安全軸から定量化した。

南アフリカの母子保健プラットフォームに組み込まれたAI症状チェッカーは、医師評価で98.4％の症例に安全な緊急度を提示し、利用者が実際に選んだ行動の安全性も18.1ポイント上昇した。一方、利用後も過少トリアージと所得による格差が残り、適切な助言だけでは受診障壁を解消できないことも示された。

病理組織の形には、その組織が重ねてきた「生物学的な年齢」が刻まれている可能性がある。Abila、Buljan、Zhengらは、約2万5700枚の病理組織画像を人工知能で解析し、40組織それぞれの年齢を推定する「組織時計」を構築した。