Oncology AIの焦点は、病変検出から腫瘍生物学の解読、治療後リスクの動的予測、欠損情報の再構成へ広がった。次の争点は、代表的な患者集団と施設差の下でも、予測を介入可能な判断へ結びつけられるかにある。

Neurology & NeuroscienceのAIは、病変を見つける技術から、患者ごとの疾患軌跡を読み、診断連鎖をつなぎ、誰がどの環境で使うかまで設計する技術へ移りつつある。

医療AIの焦点は、単一時点の精度競争から、実臨床での比較検証、時間と空間を扱う個別予測、そして失敗を把握できる実装へ移りつつある。現在のカバレッジから、その専門領域の軌跡を読み解く。

Radiology & Imagingの焦点は、目立つ病変の検出から、日常画像に潜む早期徴候、予後を示す計算的表現、再現可能なMRI基盤、対話の中で画像を扱う診断推論へと広がっている。

患者データを各病院内に保持したまま、施設間で病理画像AIを共同学習できるのか。ドイツの大学病院3施設を結んだ実証研究では、クライアント側のファイアウォールに受信ポートを開けることなく、乳癌・大腸癌データセットを用いたセグメンテーション学習が完遂された。

呼吸器AIの焦点は、病変の検出から「次に何が起こるか」の予測へ。臨床経過、画像・動画の潜在表現型、分子シグナルを結び、早期介入の対象と時機を定める方向性が鮮明になっている。

医療AIの価値は、予測が当たるかだけでは決まらない。今週の研究群が問うたのは、判断根拠を監査できるか、人の意思決定を本当に改善するか、そして現実世界の構造を見落としていないかだった。

進行肺がんに対する抗血管新生療法を含む治療では、開始後4〜6週の造影CTに現れる腫瘍関連血管の変化が、その後の治療反応を予測する手掛かりとなった。ベースライン情報と血管形態の動的変化を統合した説明可能な機械学習モデルは、外部検証でも一定の識別性能を示した。

幼児期のピーナッツ経口免疫療法は、エピトープ特異的IgEの量と多様性を低下させ、IgG4を増加させた。治療開始前のIgEプロファイルは脱感作と寛解を予測したが、従来の検査を明確に上回るものではなかった。

生の音声からハンチントン病の運動・認知・機能スコアを推定する深層学習モデル「NDSNet」は、開発コホートで相対誤差11.4％、級内相関係数0.83を示した。推定値は縦断的な臨床変化を追跡し、MRIで測定した神経変性とも関連していた。