日常診療で蓄積される検査値、バイタルサイン、胸部X線画像から、がんの発見、病期、治療反応、再発リスクまでを一つのモデルで評価できる可能性が示された。約367万人を基盤に開発されたOncoformerは、全がん診断でAUROC 0.956、診断最大1年前の発症予測で0.869を記録した。

Radiology & Imaging の専門領域の軌跡は、固定的な病変検出から、施設差への適応、非侵襲的表現型推定、将来予測、治療判断支援へと伸びている。同時に、導入価値を独立比較で見極める重要性も増した。

病理画像を対話で読み、声から疾患進行を測り、CTで治療反応を先読みする。今週見えたのは、医療AIの競争軸が単発の識別精度から、時間を追える指標と現場へ運べる基盤へ移りつつあることだ。

切除膵管腺がんの通常病理標本から、術後ゲムシタビンとmodified FOLFIRINOX（mFOLFIRINOX）のどちらが相対的に有利かを予測するAIバイオマーカー「PANCprAId」が開発された。無作為化第III相試験の検体を用いた外部検証では、治療とバイオマーカーの有意な交互作用が示された。

年齢、性別、10種類の併存疾患だけを用いる機械学習モデル「FIND-AF 2.0」は、心房細動が6カ月以内に新たに診断される可能性を、国や医療制度をまたいで良好に識別した。前向き研究では、高リスク群に絞った3週間の携帯型心電図検査により、低リスク群の約8倍のオッズで心房細動が検出された。

約330万枚の未ラベル画像で事前学習したMerMED-FMは、7つの画像モダリティを単一モデルで扱い、ラベル付きデータが10％しかない条件でも全体平均AUROC 0.854を達成した。一方、すべての課題で専門モデルを上回ったわけではなく、実装には施設・課題ごとの検証が欠かせない。

単純X線画像から骨腫瘍のリスクを評価する深層学習モデル「DL-Clinic-RADS」は、外部テストでAUC 0.96、前向きテストで0.99を達成した。AI支援は放射線科医の判別能と読影者間一致を高め、読影時間も短縮した。

Digital Health & Informatics の焦点は、単一タスクの精度競争から、複雑な生体信号の解釈、複数判断を支える臨床基盤、低負担な継続計測、施設横断の信頼性へ移りつつある。

CardiologyのAIは、単一所見の分類から、再利用可能な表現、治療・予後判断、非専門家を含む低障壁ワークフロー、動的予防へと射程を広げている。今回のレビューは、その進展と実装時の代償を読み解く。

235万枚を超える病理スライドと約1400万件の質問・回答から学習したPRISM2は、タスク固有の追加学習なしでも、前立腺・乳がん検出において臨床グレード製品と同等のバランス精度を示した。さらに、診断だけでなく、バイオマーカー予測や生存解析、病理報告書の補完にも転用可能な表現を獲得している。