本稿では，がん化に伴う細胞組織の形態変化観察を目的として取り組んできた反事実病理画像を生成する研究について解説する．悪性リンパ腫は70を超える多種類のサブタイプに分類されており，その病理診断では細胞核や細胞組織の形態が観察され，これらの形態は診断のための重要な要素となっている．現在までに，サブタイプ診断のための定量評価基準は存在せず，病理医は定性的な診断によりサブタイプを判断している．このような診断では再現性の確保が容易でないことに加えて，診断根拠の説明にも課題があるため，悪性リンパ腫診断のための定量評価基準の実現が望まれている．本研究では定量評価基準の確立に向けて，がん化に伴う細胞組織の形態変化を反事実病理画像により可視化する．本稿では，このために取り組んできた著者の研究について，複数の文献を横断的に参照しながら解説する．

本稿は，医用画像解析における視覚言語モデル（VLM）の下流タスクへの適用に向けた特徴空間の解析に関する研究を報告する．近年，多数の医用VLMが提案されている．医用VLMは多量のデータを学習することで，関連するモダリティーの画像や疾患に対する高品質なファインチューニング元としての役割が期待される．一方で，下流タスクに最適なモデルを選択し活用する手法は十分に確立されていない．本稿はこれからVLMの応用を目指す研究者への指針となるべく，医用VLMのデータセット構築と主要モデルの現状に関する広範なサーベイを行った．8種類の医用画像データセットを用いて，代表的な医用および非医用VLMが抽出する画像特徴の分布を次元削減により可視化し，線形識別器による定量的評価を行った．結果として，医用画像ドメインへの特化の有無にかかわらず，VLMは背景バイアスを含め識別的な特徴を十分以上に捉えることが確認された．

機械学習や深層学習の発展に伴い，医用画像を用いた治療結果予測に関する研究が急速に進展している．治療結果予測では予測アルゴリズムだけでなく，どのような情報を入力因子として利用するかという入力因子設計も重要である．本稿では，治療結果予測に用いられる入力因子を患者背景情報，臨床・検査情報，病理・遺伝子情報，画像情報に分類し，画像情報が入力因子設計に果たす役割について概説した．さらに，体外衝撃波結石破砕術（ESWL）における治療結果予測を例として，画像特徴量と患者背景情報を組み合わせた入力因子設計および説明可能な医用画像解析について紹介した．画像解析を入力因子設計という観点から捉えることは，予測性能の向上だけでなく，予測根拠の理解や説明可能な治療結果予測モデルの構築にも重要であると考えられる．

医用画像解析では，深層学習により高精度な認識が可能となる一方，専門家ラベルの作成コスト，施設間差，クラス不均衡，解剖学的位置に起因する外観変動，重症度境界の曖昧さが課題となる．本稿では，画像間の関係性，撮影順序，部位情報，クラスター構造，重症度順序といった医用画像に内在するデータ構造を，弱い教師情報または学習制約として活用する筆者らの研究を紹介する．具体的には，グループベースドラベリングのためのソフト・自己制約付きクラスタリング，部位情報と撮影順序を用いた少数教師表現学習，クラスター構造および順序構造に基づく半教師ありドメイン適応を概説し，限られた教師情報から頑健な計算機支援診断モデルを構築するための考え方を述べる．