Il modulo è stato inviato con successo.
Ulteriori informazioni sono contenute nella tua casella di posta elettronica.
Affidati a noiSeleziona la lingua
Chi siamoServiziTecnologieIndustrieI nostri progetti
Ormai molti interventi principali alle conferenze sul settore sanitario IT seguono lo stesso schema. Qualcuno apre con una diapositiva che mostra un robot dall’aspetto amichevole in camice bianco, per poi concludere, quaranta minuti dopo, rispondendo a una domanda un po’ preoccupata sul fatto che il software possa minacciare i posti di lavoro del pubblico. Da qualche parte tra la diapositiva del robot e quella domanda, la parte davvero utile dell’intervento viene tralasciata, e raramente riguarda i robot.
L’intelligenza artificiale applicata alla diagnostica per immagini, nella forma in cui viene effettivamente commercializzata e utilizzata, è molto meno spettacolare e molto più interessante. Si tratta di un software che analizza una TAC toracica prima che il radiologo apra il file e contrassegna i tre esami, su duecento, che richiedono un primo controllo visivo. È un modello che misura un tumore sempre allo stesso modo, invece che come lo misurerebbe un specializzando stanco alle 18:00 di un venerdì. Niente di tutto ciò fa notizia. Ma tutto questo cambia la giornata lavorativa di un reparto.
Questa è una guida pratica che illustra in quali ambiti l’intelligenza artificiale nell’imaging medico sta davvero funzionando, dove invece si impantana ancora e cosa occorre per introdurla in un ospedale o in un centro di diagnostica per immagini senza causare danni rilevanti lungo il percorso.
In parole povere, l’imaging medico basato sull’intelligenza artificiale consiste nell’addestrare un software – per lo più modelli di deep learning basati su reti neurali convoluzionali o sulle più recenti architetture Transformer – a riconoscere gli schemi nelle immagini diagnostiche proprio come farebbe un radiologo esperto. Se si fornisce al modello un numero sufficiente di radiografie toraciche etichettate che mostrano casi di polmonite, esso inizierà a individuare gli stessi indizi visivi che nota un radiologo, solo più velocemente e senza pause caffè.
L’ambito di applicazione si è ampliato ben oltre l’individuazione di un singolo tumore. Gli strumenti odierni interessano quasi tutte le fasi del processo di imaging: acquisizione, ricostruzione, interpretazione, refertazione e, sempre più spesso, previsione della progressione della malattia e dell’esito clinico del paziente. Alcuni di questi funzionano come machine learning integrato direttamente nello scanner. Una parte di esso funziona come un livello separato che legge il file DICOM una volta terminata la scansione.
Le autorità di regolamentazione hanno notato questo cambiamento anni prima che la maggior parte delle organizzazioni sanitarie se ne rendesse conto. Alla fine del 2025, la radiologia rappresentava circa 76% di ogni dispositivo medico dotato di intelligenza artificiale approvati dalla FDA negli ultimi 30 anni, più di qualsiasi altra specialità clinica presa nel suo insieme. La diagnostica per immagini è il settore in cui i dati sono più ricchi, i modelli sono sufficientemente visivi da consentire a una rete neurale di apprendere efficacemente e i benefici clinici sono più evidenti; per questo motivo è anche il settore in cui l’intelligenza artificiale ha avuto il suo primo slancio.
L'intelligenza artificiale svolge diverse funzioni a seconda della sua posizione nel flusso di lavoro. Ecco come viene utilizzata l'intelligenza artificiale nell'imaging medico, una volta superata la fase di marketing.
Questa è l’applicazione che viene in mente a tutti per prima. Un modello analizza un'immagine e segnala tutto ciò che sembra fuori posto: un nodulo, una frattura, un'emorragia, una massa sospetta, ecc. È ovvio che il risultato non sia una diagnosi. Si tratta semplicemente di un secondo paio di occhi che non si stanca mai e non si distrae mai, ed è esattamente ciò che un computer vision è ciò in cui il modello eccelle, mentre non è esattamente ciò che sa fare un essere umano che sta esaminando la sua duecentesima radiografia del torace durante il turno.
La segmentazione traccia il contorno, indicando con precisione la posizione di un tumore, di un organo o di un vaso nell'immagine. Può sembrare un'attività poco affascinante, finché non ci si rende conto di quanto la radiologia dipenda da misurazioni coerenti nel tempo. Un modello in grado di segmentare la stessa lesione in modo coerente nelle scansioni di follow-up elimina una quantità sorprendente di approssimazioni dal monitoraggio del trattamento.
Non tutte le scansioni hanno lo stesso grado di urgenza, ma le liste di lavoro dei sistemi PACS (Picture Archiving and Communication System) le hanno tradizionalmente trattate in questo modo: per ordine di arrivo. I modelli di triage analizzano gli esami in arrivo e spostano in cima alla coda tutti quelli che mostrano segni di ictus, embolia polmonare o emorragia intracranica, a volte entro pochi minuti dall’acquisizione. È ancora il radiologo a prendere la decisione. Semplicemente, la prende prima.
L'intelligenza artificiale interviene anche sull'immagine stessa prima ancora che un operatore la esamini, eliminando il rumore dalle scansioni TC a basso dosaggio, migliorando la nitidezza delle immagini RM acquisite in tempi inferiori a quelli richiesti da un protocollo standard o colmando le lacune causate dagli artefatti da movimento. I vantaggi sono concreti: dosi di radiazioni inferiori, tempi di scansione più brevi e immagini più facili da interpretare.
L'ultima tendenza combina le immagini diagnostiche con altri tipi di dati, i risultati di laboratorio, la genomica e le note cliniche per prevedere il probabile decorso di una malattia, anziché limitarsi a descrivere ciò che è visibile oggi. Si tratta di un approccio ancora agli inizi, ma promettente, ed è proprio in questa direzione che si sta attualmente orientando gran parte dei finanziamenti destinati alla ricerca di alto livello.
Le applicazioni sono un modo per affrontare la questione, ma l’ambito clinico ne rappresenta un altro. Ed è probabilmente quello che conta di più per chi deve approvare il bilancio. Ecco alcuni esempi concreti di IA nell’imaging medico suddivisi per specialità.
L'imaging oncologico vanta una delle esperienze più consolidate nell'ambito dell'intelligenza artificiale, soprattutto perché lo screening del cancro al seno, al polmone e alla prostata produce set di dati enormi e ben etichettati. In uno dei più grandi studi clinici condotti nel mondo reale fino ad oggi, i radiologi hanno utilizzato la doppia lettura supportata dall'intelligenza artificiale nello screening mammografico ha individuato 17,61 TP180T casi di cancro in più rispetto ai radiologi che non lo utilizzavano, su un campione di oltre 460.000 donne sottoposte a screening in 12 centri in Germania.
La gestione dell’ictus è una questione di minuti, e gli strumenti di triage basati sull’intelligenza artificiale sviluppati per la TAC e la risonanza magnetica ora segnalano i casi sospetti di occlusione dei vasi di grande calibro e di emorragia intracranica con sufficiente rapidità da ridurre il tempo che intercorre tra l’esame e la decisione terapeutica. La stessa tecnologia di base monitora inoltre i cambiamenti della sostanza bianca nel tempo per patologie come la sclerosi multipla, che in passato richiedevano un meticoloso confronto manuale tra le diverse scansioni.
La risonanza magnetica cardiaca e la TAC producono dati complessi e ricchi di informazioni dinamiche che risultano davvero difficili da valutare in modo coerente per un essere umano. Gli strumenti di intelligenza artificiale gestiscono ora i calcoli del volume delle camere cardiache, il calcolo del punteggio di calcio e l’analisi delle arterie coronarie con un livello di ripetibilità che le misurazioni manuali raramente raggiungono, poiché due cardiologi che misurano lo stesso cuore manualmente non otterranno sempre lo stesso risultato esatto.
L’individuazione delle fratture nelle radiografie, in particolare quelle lievi che è facile trascurare in un pronto soccorso affollato, è una delle storie di successo meno note dell’intelligenza artificiale. La valutazione dell’età ossea e la classificazione dell’osteoartrite hanno seguito lo stesso schema: compiti che erano sempre stati in qualche modo soggettivi ora dispongono di una seconda opinione affidabile.
I vantaggi dell’intelligenza artificiale nell’imaging medico vengono percepiti in modo diverso a seconda di chi pone la domanda, quindi vale la pena analizzarli in base al pubblico di riferimento, anziché dare per scontato che tutti vogliano la stessa cosa.
Nessuna delle cose sopra citate avviene automaticamente, e fingere il contrario è il modo in cui i piloti basati sull’intelligenza artificiale finiscono per sparire silenziosamente in qualche cassetto. Ecco cosa tende a ostacolarne la realizzazione.
La qualità di un modello dipende interamente dalla qualità delle etichette con cui è stato addestrato, e l’annotazione delle immagini mediche è un processo lento, costoso e che richiede competenze cliniche specifiche. La mancanza di uniformità nell’assegnazione delle etichette tra le diverse istituzioni è uno dei motivi più comuni per cui un modello offre prestazioni eccellenti in fase di test, ma deludenti in fase di produzione.
I modelli addestrati principalmente su una sola popolazione, su una sola marca di scanner o sui protocolli di imaging di un solo ospedale tendono a dare risultati inferiori alle aspettative in tutti gli altri contesti. Un modello che ha appreso i modelli di densità mammaria da un determinato gruppo demografico non è automaticamente trasferibile a un altro.
Ogni soglia rappresenta un compromesso. Se impostata in modo troppo sensibile, i radiologi vengono sommersi da falsi allarmi, il che genera proprio quella “fatica da allarme” che lo strumento avrebbe dovuto evitare. Se invece ci si spinge troppo verso la specificità, lo strumento inizia a trascurare reperti reali. Non esiste un’impostazione che elimini questo compromesso, ma solo impostazioni che si adattano meglio o peggio a un determinato contesto clinico.
Un modello che riporta semplicemente “cancro, affidabilità 87%” senza spiegarne il motivo è difficile da far accettare a un radiologo che è responsabile, sia dal punto di vista legale che professionale, della decisione finale. Gli strumenti che evidenziano i pixel effettivi alla base di una previsione conquistano fiducia più rapidamente rispetto a quelli che non lo fanno, soprattutto perché consentono al medico di verificare la validità di una diagnosi di imaging medico basata sull’intelligenza artificiale.
Le immagini mediche contengono informazioni sanitarie riservate e le pipeline di intelligenza artificiale che trasferiscono tali dati tra scanner, sistemi di archiviazione, elaborazione nel cloud e sistemi di reportistica moltiplicano i punti in cui può verificarsi un errore. La crittografia sia in transito che a riposo, i rigorosi controlli di accesso e la registrazione dei log di audit sono gli elementi che impediscono a una violazione di trasformarsi in un disastro dal punto di vista normativo.
Chi è responsabile quando una lettura assistita dall’intelligenza artificiale tralascia qualcosa? I quadri normativi stanno ancora cercando di dare una risposta a questa domanda, e l’autorizzazione concessa da un ente come la FDA riguarda le prestazioni del software, non la struttura di responsabilità legale e clinica relativa al suo utilizzo.
Un modello convalidato sulla base dei modelli di scanner e della composizione dei pazienti dell’anno scorso può subire un progressivo deterioramento man mano che le apparecchiature, i protocolli e le popolazioni cambiano: si tratta di un problema noto come “deriva”. Senza un monitoraggio continuo delle prestazioni, tale deterioramento rimane invisibile finché qualcuno non si accorge che il modello è errato ormai da mesi. Questo è esattamente il tipo di situazione in cui un solido Pratiche MLOps sono concepiti per individuare il problema prima che diventi un problema clinico.
Far funzionare un modello in un articolo di ricerca e farlo funzionare all’interno di un vero reparto di radiologia sono due progetti molto diversi. Ecco come si presenta il secondo.
Ogni implementazione di successo parte su scala ridotta: una sola modalità, una sola patologia, un unico quesito clinico chiaramente definito. “L’IA per la radiologia” non è un caso d’uso. “Individuare casi sospetti di embolia polmonare nella TC toracica entro cinque minuti dall’acquisizione” lo è.
È proprio qui che si nasconde la maggior parte del lavoro vero e proprio: la pulizia, l’anonimizzazione e l’annotazione dei dati di imaging secondo uno standard che consenta al modello di apprendere. La sfida successiva consiste nell’assicurarsi che i dati rispecchino la popolazione di pazienti e le apparecchiature su cui il modello verrà infine utilizzato.
Modello standard, modello di base ottimizzato o modello interamente personalizzato? La risposta giusta dipende dalla frequenza con cui si svolge l’attività clinica e da quanto la vostra popolazione di pazienti differisca da quella su cui sono stati addestrati i modelli esistenti. Torneremo su questo argomento nella prossima sezione.
Un modello che non è in grado di ricevere esami dal PACS, di registrare i risultati nel RIS e di visualizzarli all’interno della cartella clinica elettronica (EHR) già utilizzata dal medico non è uno strumento clinico, ma un progetto di ricerca animato da buone intenzioni. Integrazione tra EHR ed EMR È un lavoro poco affascinante ma assolutamente indispensabile, perché nessuno vuole aprire una terza applicazione solo per vedere cosa ha trovato l'IA.
L'interfaccia è importante quasi quanto il modello su cui si basa. I risultati dell'intelligenza artificiale devono essere integrati negli strumenti che i radiologi utilizzano già e presentati in un formato che si adatti al loro flusso di lavoro clinico, con opzioni semplici per accettare, rifiutare o ignorare i suggerimenti dell'intelligenza artificiale.
Di certo, la messa in produzione non è il traguardo finale. Il monitoraggio continuo verifica l’accuratezza rispetto ai risultati effettivi, rileva eventuali scostamenti e individua il momento in cui un aggiornamento del firmware dello scanner modifica silenziosamente le immagini che il modello rileva.
Prima o poi, ogni progetto di tecnologia di imaging medico basato sull’intelligenza artificiale si trova di fronte allo stesso bivio, e qualcuno nella stanza pronuncia la parola “roadmap” con più sicurezza di quanta la situazione meriti. Potete svilupparla da soli, acquistare qualcosa che esiste già oppure assumere persone che hanno già commesso costosi errori a spese di qualcun altro. Nessuna di queste tre opzioni è corretta in astratto. Una di esse è quella giusta per il vostro team, la vostra scadenza e il livello di rischio che il vostro ufficio legale è in grado di sopportare prima di pranzo.
| Approccio | Rapidità di implementazione | Costo iniziale | Personalizzazione clinica | Manutenzione a lungo termine |
|---|---|---|---|---|
| Realizzazione interna | Lento: da mesi a anni | Elevato, richiede un team dedicato al machine learning | Molto alto | Dipende interamente dalla tua squadra |
| Acquistare prodotti già pronti | Rapido: settimane | Costi iniziali e canoni di licenza ricorrenti più contenuti | Limitato a quanto supportato dal fornitore | A cura del fornitore |
| Collabora con un team di sviluppatori | Moderato: da alcune settimane a qualche mese, un anno | Moderato, limitato all'ambito del progetto | Alto | Trasferito o affidato a un altro operatore dopo la stabilizzazione |
Purtroppo, le buone intenzioni non bastano a superare un controllo di sicurezza. Prima che una pipeline di imaging medico basata su IA/ML possa anche solo avvicinarsi a un paziente reale, deve già esserci alle sue spalle un’infrastruttura piuttosto poco appariscente, che svolge silenziosamente il proprio lavoro senza che nessuno debba preoccuparsene.
Ecco, a grandi linee, la procedura che illustriamo ai clienti, elaborata sulla base di progetti in cui le soluzioni di elaborazione delle immagini basate sull’intelligenza artificiale hanno superato la fase pilota ed è entrata a far parte della routine quotidiana.
Una serie di orientamenti ricorre con una frequenza tale nelle ricerche scientifiche e nelle roadmap di prodotto da meritare di essere tenuti d’occhio, anziché essere archiviati come semplici presentazioni dei fornitori. È proprio in questo ambito che l’intelligenza artificiale sta trasformando la diagnostica per immagini, una volta che i team avranno superato i limiti degli attuali strumenti a loro disposizione.
Il nostro lavoro in questo ambito abbraccia l'intero stack dell'intelligenza artificiale applicata alla diagnostica per immagini in ambito sanitario. Da un lato, computer vision modelli addestrati su dati clinici di imaging reali. Il lato meno affascinante è rappresentato dal lavoro di integrazione tra PACS, RIS ed EHR, che determina se tutto ciò verrà effettivamente utilizzato. La conformità alle normative HIPAA, GDPR e MDR non viene aggiunta come un elemento secondario alla fine del processo. Fanno parte dello sviluppo fin dal primo sprint, e la nostra certificazione ISO 13485 copre esattamente il tipo di software per dispositivi medici a cui questo si riferisce. I nostri casi di studio nel settore sanitario offrono un quadro più realistico di come ciò si sia concretizzato nella pratica rispetto a qualsiasi sintesi che potrei fornire qui.
L’intelligenza artificiale non avrà la meglio su un’integrazione PACS mal funzionante, né aspetterà che ne venga realizzata una perfetta. A metà strada tra il programma pilota e la realtà caotica dell’ospedale IT, i reparti di radiologia stanno già interpretando le immagini in modo diverso rispetto a cinque anni fa. Che questo cambiamento appaia rivoluzionario o semplicemente utile, dipende meno dall’algoritmo che da chi è stato disposto a svolgere per primo il lavoro di integrazione, spesso trascurato.
Un po’ di tutto, a dire il vero: rilevamento delle anomalie, segmentazione e misurazione delle immagini, triage delle liste di lavoro, ricostruzione delle immagini, refertazione strutturata e analisi predittiva, in una vasta gamma di modalità quali radiografia, TAC, risonanza magnetica ed ecografia.
Raggi X, TAC, risonanza magnetica, ecografia, mammografia, PET e, sempre più spesso, immagini patologiche di vetrini interi. I raggi X e la TAC vantano ancora la tradizione più lunga e consolidata.
Nella maggior parte dei casi, sì. Gli strumenti clinici basati sull’intelligenza artificiale sono generalmente progettati per integrarsi con i sistemi PACS e RIS esistenti tramite standard quali DICOM, DICOMweb, HL7 V2 e FHIR, anche se il grado effettivo di integrazione dipende ancora in larga misura dal fornitore.
Ciò dipende in larga misura dal tipo di compito e dal grado di rigore con cui il modello è stato convalidato, quindi è bene considerare con una certa cautela qualsiasi dato isolato relativo all’accuratezza. Strumenti ben convalidati in ambiti come lo screening mammografico hanno dimostrato miglioramenti concreti nei tassi di rilevamento rispetto alla lettura non assistita, insieme a compromessi reali nei tassi di falsi positivi che vale la pena valutare.
Non esiste una cifra magica. Dipende dalla complessità del compito clinico, ma i modelli di imaging convalidati e approvati dalla FDA hanno storicamente utilizzato un numero di casi clinici che va da poche centinaia a diverse migliaia per la validazione clinica.
Negli Stati Uniti, principalmente l'autorizzazione della FDA attraverso procedure quali la 510(k), la De Novo o la PMA, oltre alla legge HIPAA in materia di protezione dei dati. Nell'Unione Europea, si tratta del Regolamento sui dispositivi medici (MDR), del GDPR e della legge UE sull'intelligenza artificiale.
La risposta breve è no. Gli strumenti attualmente disponibili sono approvati come ausili di lettura di supporto o complementari, non come lettori autonomi, quindi la decisione clinica finale spetta comunque al radiologo, non a un modello.
Onestamente, le variabili sono troppe per poter indicare una cifra precisa. Acquistare una soluzione già pronta, svilupparne una su misura o collaborare con un team di sviluppo comportano costi molto diversi tra loro, così come la complessità dell’integrazione e il numero di siti coinvolti. Una consulenza mirata ti fornirà una cifra concreta molto più rapidamente di quanto non possa fare una semplice stima.
