医療画像解析の分野で基盤モデル（FM）の活用が急速に進んでいますが、これらのモデルがアフリカの患者データに対しても同等の性能を発揮できるかという重要な問題が検証されていません。本研究は、医療用基盤モデルがアフリカおよび非アフリカの脳MRIデータに対してどの程度汎化できるかを、2つの異なるタスクを通じて評価しました。一つは認知症分類（ナイジェリアのデータセットを使用）であり、もう一つは脳腫瘍セグメンテーション（BraTS-Africaを使用）です。 評価対象となった基盤モデルは、汎用型の2つ（BrainIACと3DINO）とセグメンテーション特化型の2つ（MedSAM2とMedical-SAM2）で、ゼロから学習したベースラインモデルと比較されました。認知症分類タスクでは、基盤モデルは限定的な利益しか提供せず、最高のROC-AUCはBrainIACで0.86にとどまりました。一方、セグメンテーションタスクではより顕著な改善が見られ、MedSAM2でDiceスコア0.86に達するなど、一貫した性能向上が確認されました。 興味深いことに、アフリカと非アフリカのコホート間の性能差は一貫性を欠いており、データの出身地域よりもデータセットサイズに関連していることが判明しました。この結果は、基盤モデルがアフリカのコホートに対して本質的な偏見を持っていないことを示唆しています。むしろ、アフリカ地域の神経画像データの入手可能性の限定性と多様性の不足が、堅牢な評価と実装展開への主な障壁となっていることが浮き彫りになりました。今後のグローバルな医療AI発展のためには、地域間のデータ収集と共有の強化が重要です。