がん患者の薬剤反応を予測するモデルは多数提案されていますが、DrEvalという標準化されたベンチマーク枠組みにより、既存モデルの性能が従来の報告値よりも大幅に限定的であることが明らかになりました。

電子カルテに記載されながら診断欄から漏れている診断名を自動検出するAIフレームワーク「DKFusion」が開発されました。中国の複数病院での検証で、見落とし診断の検出に成功し、診療記録の質向上と医療従事者の作業効率化をもたらしています。

CT検査を省略しながら高精度なPET画像補正を実現する深層学習手法が開発されました。わずか5例の患者データで多施設・多機器に対応できる「CrossPET-Adapt」は、診断精度を維持しつつ放射線被曝を削減できる可能性を示しています。

中国で実施された大規模研究により、気象変動と個人の臨床特性を統合した機械学習モデルが、院外心停止（OHCA）のリスク予測精度を有意に向上させることが示されました。この動的リスク予測システムは、救急医療体制の事前準備や資源配置に活用できる可能性があります。

骨欠損の再建に用いられるマスケレット手術は有効な治療法ですが、慢性骨髄炎の再発例が存在します。本研究では、MRI画像解析と臨床情報を統合した機械学習モデルにより、個々の患者の再発リスクを高精度に予測できることを示しました。

拡散強調MRI（diffusion MRI）の信号解析に群論を応用した新しい数学的フレームワーク「RICE（回転不変なcumulant展開）」が提案されました。従来の複雑な解析プロセスを統一し、診断精度の向上と検査時間の大幅短縮を同時に実現するものとして期待されています。

神経変性疾患の診断は臨床的に難しいことが多いですが、新しい血漿バイオマーカーパネルとAI分類器を組み合わせることで、アルツハイマー病、パーキンソン病、前頭側頭型認知症、レビー小体型認知症の5つのカテゴリーを高精度で区別できることが明らかになりました。

肺気腫に見えないCT所見でも、骨粗鬆症のリスクが隠れている可能性があります。深層学習を活用した新知見が、骨脆弱化の早期発見に道を開きます。

新しい深層学習モデル「PlaqueSegNet」が、冠動脈CTアンジオグラフィから冠動脈プラークを自動かつ高精度に定量化することに成功しました。従来の手動計測と比べて分析時間を大幅に短縮しながら、心臓有害事象の予測精度に優れた臨床応用が期待されています。

ALS（筋萎縮性側索硬化症）患者の病態進行の多様性を「進行速度」と「進行経路」の2つの独立した次元に分解する機械学習フレームワーク（DiSPAH）が開発されました。このアプローチにより、患者の個別の進行パターンを初期段階で予測し、個別化医療の実現に向けた新しい可能性が開かれました。