arXivに新たに掲載された論文は、計算病理学タスクにおける基盤モデル（Foundation Models, FMs）の表現抽出能力を系統的に評価し、分布シフト下のデータに対する汎化性能を重点的に検討している。著者はJingyu Hu氏ら5名で、2026年6月15日に投稿され、機械学習、人工知能、定量生物学などの分野にまたがる内容となっている。
研究で用いられたデータは、ライセンス許諾を受けた社内腫瘍データセット（IH）から抽出された2つの実世界商用コホート、IH-BCとIH-NSCLCである。分析は全スライド画像とトランスクリプトームプロファイルという2つのモダリティに焦点を当てている。著者らはまず、5つの基盤モデルについて8つの下流分類タスクで単モダリティのプロービング性能をベンチマークし、画像表現とオミクス表現が相補的な予測信号を有することを明らかにした。単一モダリティだけでは判別に必要な情報を網羅できない可能性を示す結果である。
続いて、マルチモーダル融合が単モダリティのベースラインを上回る追加利得をもたらすかを検証するため、ペア表現に基づく3種類の画像-オミクス融合戦略を構築・比較した。その結果、基盤モデルの表現は分布外データに対しても競争力のある性能を発揮し、マルチモーダル融合の利得は、単一のモダリティが予測信号を支配しない状況で主に現れることが示された。
信頼性の観点では、選択された単モダリティおよびマルチモーダルのパイプラインを共形予測（conformal prediction）で評価している。その結果、点予測が失敗した大多数のケースでも、真の診断は予測セット内に残ることが判明した。これは、トップの予測が外れたとしても、予測セットが医師に対して有用な候補診断の空間を提供し、誤判定リスクを低減できることを意味する。不確実性を考慮した推論が臨床支援において実用的価値を持つことを裏付ける知見である。
総じて本論文は、医学基盤モデルの実世界腫瘍コホートにおける転移可能性、マルチモーダル融合の適用境界、そして臨床展開における信頼性評価について、比較的完整な実証枠組みを提示している。融合戦略が常に単モダリティを上回るわけではなく、その利得はタスクの信号構造に強く依存すること、また共形予測などの不確実性定量化手法が臨床支援システムの重要な補完要素となり得ることを示唆している。