AIが医療分野でますます活用される中、Agentic AI（自律型AI）システムの登場が注目されている。NeurIPS 2025の論文の約20～25％が自律型AIに焦点を当てており、医療分野ではLLMを活用した診断支援や段階的推論を可能にするシステムが広がっている。しかし、こうしたシステムは「この患者に病気があるか？」といった明確な判断を出力する一方で、従来の医療AI評価で用いられる「AUC（受信者操作特性曲線下の面積）」と整合性が取れていないという課題がある。AUCは、病気の有無が極めて稀な状況でも信頼性を保つため、医療リスク予測の標準指標として広く使われている。しかし、AUCは連続的なスコア（確率）を基に、陽性と陰性の順位づけの良さを評価するため、AIが「はい／いいえ」の2値出力しか行わない場合、AUCの計算が意味をなさない。出力が0と1の2値に限られると、ROC曲線は単調になり、AUCは不正確または定義不能になる。 このギャップを埋めるため、自律型AIの出力から連続的なスコアを導出する6つの実用的な方法が提案されている。1つは、モデルの内部で計算された「ログ確率」を直接利用する方法。これは信頼性が高く、従来の分類器と同様の順位付けが可能。2つ目は、AIに「確率値（0～1）」を明示的に出力させる方法。ただし、promptの設計が不十分だと、0%や100%に偏った「偽2値」の出力になりがち。3つ目は、複数回の推論を繰り返し、病気と判断された回数の割合を確率として扱う「モンテカルロサンプリング」。計算コストが高いが、不確実性の把握に有効。4つ目は、検索ベースのAIで、患者と既存の陽性例との類似度（例：コサイン類似度）をリスクスコアとする方法。5つ目は、AIの出力（例：低・中・高リスク）を元に、ラベル付きデータで小規模な「補正モデル」を学習して連続スコアに変換する。6つ目は、AIの判断の「厳しさ」を調整するパラメータを変化させ、それぞれで感度・特異度を算出し、近似的なROC曲線とAUCを求める方法。 これらの手法により、自律型AIの性能を従来のリスクモデルと同等の尺度で評価できるようになる。特に医療現場では、AIが「なぜそう判断したか」だけでなく、「どれくらい確信があるか」を示すことが求められる。AUCを活用することで、AIの進化が「単なる判断の自動化」から「信頼性の高いリスク予測」へと進化していることを客観的に示す基盤が整う。