lab_admin

THE APPLICATION AND FUTURE PROSPECTS OF ARTIFICIAL INTELLIGENCE IN HEALTHCARE ｜ SZ Sayfidinovna, Journal of Modern Educational Achievements, 2026. ｜ ヘルスケアにおける人工知能（AI）の応用と将来性を包括的に論じる。 機械学習、深層学習、データ分析の統合が、診断精度向上、治療効果強化、ヘルスケア業務最適化に貢献すると指摘。

: Exploring Resource-Efficient Deep Learning for Medical Image Segmentation ｜ P Dutta, unknown, 2026. ｜ 自動化された医療画像セグメンテーションによる診断精度の向上を探求。 人工知能（AI）、特に深層学習（DL）が、入力画像内のターゲット解剖学的構造の正確な描写を自動化することに貢献。

Predicting resistance to neoadjuvant chemotherapy in osteosarcoma using machine learning with clinical data and T2-weighted MRI radiomics ｜ P Inkeaw et al., European Radiology Experimental, 2026. ｜ 骨肉腫における術前化学療法抵抗性のリスクがある患者を特定するための研究。 ベースラインの臨床データとT2強調MRI由来のラジオミクス特徴を機械学習で分析し、リスク適応型管理の実現を目指す。

From models to agentic systems: the evolution of Artificial Intelligence in medical physics ｜ SB Jiang, Physics in Medicine and Biology, 2026. ｜ 医用物理学における人工知能（AI）の進化を、モデルからエージェントシステムへの構造的変革として考察。 AIの発展が医用物理学の実践、研究、概念化に与える根本的な影響を分析。

Artificial intelligence and clinical informatics in UK ophthalmology training: a national cross-sectional survey ｜ T Nash et al., BMC Medical Education, 2026. ｜ 英国眼科学における人工知能（AI）と臨床情報学（CI）の戦略的優先順位について、全国横断調査を実施。 安全なAI実装のために、教育と研修が中心的な役割を果たすことを強調。

Explainable Artificial Intelligence in Medical Imaging: Explanations That Make Sense to Humans ｜ S Lee, American Journal of Roentgenology, 2026. ｜ 医療画像診断におけるAIの導入と、人間が理解できる説明（XAI）の重要性を強調。 技術的に堅牢で、エンドユーザーに適応し、臨床タスクに合致した説明フレームワークの必要性を提言。

The impact of generative artificial intelligence on clinical skills and knowledge acquisition in medical undergraduates: a systematic review and meta-analysis ｜ G Xie et al., BMC Medical Education, 2026. ｜ 医学生の教育における生成型人工知能（GenAI）の役割に関する研究を系統的レビューとメタアナリシスで評価。 GenAIが医学生の臨床スキルと知識習得に与える影響の多様性を調査。

Cognitive differences and ethical concerns in artificial intelligence in healthcare: a comparative text mining study of public and healthcare professional discussions ｜ Y Cao et al., BMC Medical Ethics, 2026. ｜ ヘルスケアにおける人工知能（AI）に関する一般市民と医療専門家間の認知的差異と倫理的懸念を調査。 テキストマイニング手法を用いて実証的証拠を提供し、倫理的ガバナンスとリスクコミュニケーションに貢献。

Predicting intrinsic clearance using deep learning-based drug-metabolic enzyme interaction features on an IVIVE-harmonized endpoint dataset ｜ H Lee et al., Computer Methods and Programs in Biomedicine, 2026. ｜ 薬物開発における重要な薬物動態パラメータである固有クリアランスの予測に焦点を当てる。 深層学習と薬物代謝酵素相互作用特徴、およびIVIVE（in vitro–in vivo extrapolation）で調和されたエンドポイントデータセットを使用。