深層学習を用いた大腸がん検出システム（COCA）が、非造影CTを用いた高精度な大腸がんスクリーニング新法として注目されています。国際多施設研究により、このAIシステムが放射線科医を上回る検出精度を達成し、既存CT検査を活用した機会的スクリーニングの実現可能性が示されました。

遺伝的素因が高い患者でも、生活習慣の改善によって糖尿病網膜症の発症リスクを大幅に軽減できることが、多民族大規模コホート研究で明らかになりました。遺伝と生活習慣の相互作用は、糖尿病管理における予防戦略の見直しを促しています。

大規模言語モデル（LLM）の最新版が、医学的推論タスクにおいて医師の能力を超える性能を示しました。OpenAI o1-previewは複数の臨床ベンチマークで医師と従来のAIモデルを大きく上回り、医療現場へのAI統合の可能性を示唆しています。

膵臓導管腺がんの早期発見は予後改善の鍵です。本研究で開発されたREDMODは、標準的なCTスキャンから放射線科医では見落とす段階の膵臓がんを自動検出し、約2倍の感度を実現しました。

デンマークの全国規模コホート研究により、ルーチン診療データから若年発症2型糖尿病（40歳未満）の高リスク者を特定するトランスフォーマー型深層学習モデルが開発されました。一次医療と二次医療データを統合することで、単一のデータソースのみの場合より大幅に予測精度が向上し、集団スクリーニングの実用的ツールとなる可能性が示唆されています。

小児高悪性度グリオーマのMRI解析用データセット『BraTS-PEDs』が、世界で初めて大規模公開された。5施設から集約した457例の症例で、AI開発と臨床応用の新たな基盤が整った。

血液検査から得られる遺伝情報と遺伝子発現データを組み合わせることで、アルツハイマー病の検出精度が単独使用時と比べて有意に向上することが報告されました。この統合的アプローチにより、より正確で実用的な早期リスク判定が可能になります。

機械学習フレームワークが、ラボ値やCT画像から患者のリスク層別化を自動実行。複数のがん種で検証され、精密医療の実装加速が期待される。

MRI画像と臨床データ、分子マーカーを統合した深層学習モデルが、グリオブラストーマ患者の個別生存予測を高精度で実現。時期ごとに予測因子の重要性が変化することも明らかになりました。

生存分析と機械学習を組み合わせることで、個人の健康記録から健康寿命をより正確に推定できることが明らかになりました。この統合的なアプローチは、生活習慣の改善や疾患予防に向けた個別対応戦略を支援する可能性があります。