Il reparto di Radiologia del Policlinico di Milano e l’UOC Ingegneria clinica e ICT dell’Ast di Pesaro e Urbino, sono solo due delle strutture in cui l’uso dell’intelligenza artificiale (AI) è utilizzata a supporto di radiografie, lastre e tomografie computerizzate (TAC), con il complesso intreccio di vantaggi, svantaggi e questioni etiche che – come già sottolineato anche nei precedenti articoli e con riferimento ad altri ambiti – devono essere considerati.
L’AI in radiologia ha attirato un interesse globale e gli algoritmi commerciali sono oggi sviluppati da aziende con sedi in oltre venti Paesi. La Food and Drug Administration (FDA) ha approvato più di duecento prodotti commerciali di AI per la Radiologia.
Da un punto di vista strettamente tecnico – pratico, l’AI viene integrata nella diagnostica per immagini per l’analisi di radiografie, risonanze magnetiche, ecografie, TC mediante l’utilizzo di algoritmi di “deep learning” e “machine learning”: questi software possono essere utilizzati nel rilevamento di patologie (fratture o tumori), nella segmentazione e analisi dei tessuti e nell’automatizzazione nella diagnostica di confronto. Il suo utilizzo potrebbe riguardare anche gli interventi, per la predittività della risposta di un determinato tumore a un trattamento nell’ottica della “target therapy” o per migliorare la precisione di procedure mini invasive e ridurre le complicanze ad esempio mediante l’utilizzo di sistemi robotici.
Le diverse esperienze portate avanti fino ad oggi hanno sottolineato la buona riuscita dell’utilizzo di questa tecnologia rispetto alla rilevazione e classificazione di anomalie, al miglioramento in termini di risoluzione su scansioni tomografiche computerizzate (CT) e di risonanza magnetica (RM) e in termini di processi preliminari di elaborazione delle immagini, compresa l’acquisizione e ricostruzione dell’immagine e la mitigazione del rumore.
Altri vantaggi riguardano più strettamente il personale: in condizioni di stress come la notte, il fine turno o il festivo – quando, fisiologicamente, la soglia di attenzione diminuisce – l’AI può supportare il lavoro dei tecnici e dei medici. Ancora, i tempi di attesa per i pazienti – in particolare in pronto soccorso – possono essere ridotti grazie alla più efficiente gestione dei flussi.
Nonostante alcuni ospedali e centri di cura utilizzino già con successo questi prodotti, è necessario superare alcuni ostacoli sostanziali prima che sia possibile vedere un uso clinico diffuso e di successo. Nonostante la soddisfazione, infatti, emergono preoccupazioni rispetto ai possibili cambiamenti nell’identità e nell’autonomia professionale: i modelli avanzati di intelligenza artificiale possono ridurre la complessità dell’interpretazione tecnica in modo che un medico non radiologo possa utilizzare l’imaging senza fare affidamento su un radiologo specializzato; la scarsità di clinical trials controllati (e quindi una difficile generalizzabilità) potrebbe avere come conseguenza il peggioramento delle prestazioni, se i modelli vengono applicati a pazienti diversi da quelli utilizzati per lo sviluppo; la trasparenza è poi un tema importante nella valutazione della generalizzazione degli algoritmi di AI in campo medico, poiché – di frequente – manca una valutazione indipendente dei modelli: dai report degli strumenti approvati dalle autorità regolatorie mancano spesso, infatti, informazioni fondamentali come numerosità campionaria, caratteristiche demografiche e specifiche dei dispositivi utilizzati.
L’uso dell’IA nelle radiografie, TAC e lastre ha dunque enormi potenzialità per migliorare la qualità e l’efficienza delle diagnosi mediche. Tuttavia, è essenziale – come sempre – affrontare le sfide etiche, procedurali., tecniche e legali per garantire che venga utilizzata correttamente e in modo sicuro.
