Dalla diagnosi precoce alla terapia personalizzata, l’intelligenza artificiale in oncologia non è più una prospettiva futura, ma uno strumento già integrato nella ricerca e nella pratica clinica. A sottolinearlo è Rossana Berardi, intervenuta a Milano a un convegno organizzato dalla Società Italiana di Radiologia Medica e Interventistica in occasione della Giornata internazionale delle donne e delle ragazze nella scienza. L’AI, spiega, viene utilizzata per “clusterizzare i pazienti”, cioè individuare sottogruppi con caratteristiche cliniche e molecolari differenti, capaci di orientare prognosi e scelte terapeutiche.
Ma cosa significa, concretamente, parlare di intelligenza artificiale in oncologia? E quali sono le sue applicazioni reali oggi?
Cos’è l’intelligenza artificiale in medicina
Indice dei contenuti
In ambito sanitario, l’intelligenza artificiale comprende sistemi informatici capaci di analizzare grandi quantità di dati clinici, radiologici, genetici e laboratoristici, individuando pattern e correlazioni non sempre evidenti all’occhio umano. Le tecniche più utilizzate sono il machine learning e il deep learning, particolarmente efficaci nell’analisi di immagini e dati complessi.
In oncologia, dove la mole di informazioni è enorme e in costante crescita – dai dati genomici ai referti radiologici – l’AI rappresenta uno strumento potente di supporto decisionale.
Diagnosi precoce: il primo campo di applicazione
Uno degli ambiti in cui l’intelligenza artificiale sta mostrando risultati concreti è la diagnosi precoce. In radiologia, algoritmi avanzati sono già in grado di supportare l’interpretazione di mammografie, TAC torace e risonanze magnetiche, aumentando la sensibilità nell’individuare lesioni sospette e riducendo i falsi negativi.
Nel tumore del polmone, ad esempio, l’analisi automatizzata delle immagini TAC può identificare noduli millimetrici e valutarne le caratteristiche nel tempo. Nello screening mammografico, sistemi di AI possono evidenziare aree a rischio e aiutare il radiologo nella stratificazione del rischio.
L’obiettivo non è sostituire il medico, ma potenziarne la capacità diagnostica, soprattutto in contesti ad alta complessità o con elevati volumi di esami.
Screening e stratificazione del rischio
La prevenzione oncologica si basa su programmi di screening organizzati, come quelli per il tumore della mammella, del colon-retto e della cervice uterina. L’intelligenza artificiale può contribuire a rendere questi programmi più mirati.
Attraverso l’analisi integrata di dati anagrafici, clinici, genetici e comportamentali, è possibile individuare sottogruppi di popolazione con rischio maggiore e modulare frequenza e modalità degli esami di controllo. Questo approccio, noto come risk-based screening, punta a superare il modello uniforme per età e sesso, introducendo una prevenzione più personalizzata.
Clusterizzare i pazienti: la medicina di precisione
Il cuore dell’innovazione, come ricordato da Berardi, è la capacità dell’AI di “clusterizzare” i pazienti. In oncologia, due persone con la stessa diagnosi istologica possono avere andamenti clinici e risposte terapeutiche molto diversi.
L’intelligenza artificiale analizza dati clinici, molecolari e genomici per identificare sottogruppi omogenei, associati a prognosi specifiche o a maggiore probabilità di risposta a determinati farmaci. Questo è particolarmente rilevante nei tumori con elevata eterogeneità biologica, come il carcinoma mammario, il tumore del polmone o il melanoma.
L’integrazione tra sequenziamento genetico e modelli predittivi consente di selezionare terapie target o immunoterapie in modo più accurato, riducendo trattamenti inefficaci e potenziali effetti collaterali.
Intelligenza artificiale in oncologia: ricerca clinica
Nella ricerca, l’intelligenza artificiale accelera l’analisi di grandi database clinici e sperimentali. Può individuare correlazioni tra biomarcatori e outcome clinici, suggerire nuove ipotesi terapeutiche e facilitare la progettazione di trial clinici più mirati.
Inoltre, l’AI può contribuire a identificare pazienti eleggibili per studi sperimentali, analizzando automaticamente cartelle cliniche e criteri di inclusione.
Supporto ai pazienti e percorsi di cura
L’AI non si limita alla diagnosi e alla terapia. Sistemi digitali avanzati possono monitorare sintomi, effetti collaterali e aderenza terapeutica attraverso app e piattaforme di telemedicina. Questo consente interventi precoci in caso di tossicità e migliora la continuità assistenziale.
In ambito organizzativo, l’intelligenza artificiale può ottimizzare i percorsi diagnostico-terapeutici, riducendo tempi di attesa e migliorando la gestione delle risorse.
Lntelligenza artificiale in oncologia: limiti e questioni aperte
Nonostante le potenzialità, restano questioni cruciali. La qualità dei dati è determinante: algoritmi addestrati su dataset non rappresentativi possono generare bias e disuguaglianze. Inoltre, l’AI deve essere validata con studi clinici rigorosi prima di un’adozione su larga scala.
Un altro tema centrale è la responsabilità clinica: l’intelligenza artificiale è uno strumento di supporto, ma la decisione finale resta in capo al medico. La relazione medico-paziente, elemento chiave dell’oncologia, non può essere sostituita da un algoritmo.
Intelligenza artificiale in oncologia: una trasformazione già in atto
L’affermazione di Rossana Berardi fotografa una realtà in evoluzione. L’intelligenza artificiale è già integrata nella ricerca oncologica e sta entrando progressivamente nella pratica clinica quotidiana. Dalla diagnosi precoce alla stratificazione del rischio, dalla medicina di precisione alla gestione dei percorsi di cura, il suo ruolo è destinato a crescere.
La sfida ora è duplice: garantire rigore scientifico nell’implementazione e assicurare che l’innovazione tecnologica si traduca in un reale beneficio per i pazienti, riducendo disuguaglianze e migliorando esiti e qualità di vita.