Un'intelligenza artificiale che interpreta le scansioni polmonari proprio come farebbe un radiologo

Ogni giorno, i radiologi esaminano un gran numero di scansioni TC alla ricerca di qualcosa che potrebbe facilmente sfuggire. Un piccolo nodulo. Un’ombra appena percettibile. Qualcosa che potrebbe essere un tumore polmonare in fase iniziale, oppure potrebbe non essere nulla di tutto ciò.

Il cancro ai polmoni uccide più persone in tutto il mondo rispetto a qualsiasi altro tipo di tumore. La sopravvivenza dipende in larga misura dalla precocità della diagnosi. Inoltre, il carico di lavoro nella maggior parte dei reparti di radiologia lascia poco spazio a quel tipo di attenzione costante e mirata su due fronti che l’individuazione di una piccola lesione sospetta richiede effettivamente.

Uno studio appena pubblicato su *Scientific Reports*, condotto da un gruppo di ricerca internazionale che comprende ricercatori dell’Università di Tecnologia di Kaunas in Lituania, ha sviluppato un sistema di intelligenza artificiale progettato per svolgere un compito con cui gli strumenti esistenti hanno sempre avuto difficoltà. Il sistema analizza l’immagine in due modi contemporaneamente.

Come un radiologo interpreta effettivamente un'immagine

Quando un radiologo esamina una TAC, cambia continuamente prospettiva. Ingrandisce un’area di interesse per esaminarne i minimi dettagli. Poi allarga l’inquadratura per capire come quell’area si inserisca nel contesto del polmone nel suo complesso. Non si tratta di una cosa o dell’altra. Si tratta di entrambe, ripetutamente, durante tutta la lettura.

La maggior parte dei sistemi di intelligenza artificiale sviluppati per questo compito ha dovuto fare una scelta: o sono efficaci nel cogliere i minimi dettagli locali, oppure sono efficaci nel comprendere il contesto strutturale più ampio. Riuscire a ottenere entrambe le cose contemporaneamente è stato un problema tecnico ricorrente.

La soluzione del team è un modello che chiamano C-Swin. Esso combina due diversi tipi di architetture di reti neurali che operano in sinergia. Una rete neurale convoluzionale gestisce le caratteristiche locali a grana fine, ovvero quel tipo di riconoscimento dettagliato dei modelli che individua piccole lesioni e texture sottili. Uno Swin Transformer, un’architettura che utilizza un approccio a finestra mobile per analizzare le regioni spaziali dell’immagine, gestisce il contesto più ampio. Le due componenti operano in parallelo e i loro output vengono integrati anziché elaborati in sequenza.

Il ricercatore Inzamam Mashood Nasir, della KTU, lo spiega in modo semplice. Una parte del modello si concentra sui piccoli dettagli, come minuscoli punti o strutture nei polmoni, mentre un’altra esamina l’immagine nel suo complesso e ne coglie il quadro generale. È come avere contemporaneamente una lente d’ingrandimento e una visione d’insieme della scansione.

Cosa hanno evidenziato i risultati

Il modello è stato testato sul dataset IQ-OTH/NCCD, una raccolta di scansioni TC accessibile al pubblico, classificando le scansioni in tre categorie: normali, benigne e maligne.

Distinguere tra noduli benigni (non cancerosi) e tumori maligni è uno dei compiti più difficili in radiologia; un errore in questo senso può portare sia a non individuare tumori, sia a sottoporre i pazienti a biopsie invasive non necessarie.

I risultati sono stati eccellenti. C-Swin ha raggiunto un’accuratezza del 96,26%, con una precisione del 97,48% e un punteggio F1 del 97,42%. Rispetto ai metodi esistenti, il miglioramento in termini di accuratezza è variato dal 2,31% al 6,81%, a seconda del confronto effettuato.

In medicina questi margini non sono trascurabili. Un punto percentuale di accuratezza diagnostica, applicato a migliaia di pazienti e centinaia di migliaia di esami, si traduce in risultati concreti.

I ricercatori sono cauti nelle loro affermazioni. Il modello è stato addestrato su un unico set di dati. Non è ancora stato testato con scanner di diversi produttori, protocolli di imaging diversi o popolazioni di pazienti diverse. Nasir è molto chiaro al riguardo. Nelle condizioni reali esistono molte variabili e il sistema deve essere testato in tutte queste circostanze prima di poter essere utilizzato in ambito clinico.

Questa precisazione non sminuisce in alcun modo i risultati ottenuti. Si tratta semplicemente di una descrizione onesta della fase in cui si trova una ricerca valida prima di diventare pratica clinica. I prossimi passi saranno la validazione clinica, la sperimentazione in ambito ospedaliero e l’integrazione nei sistemi di imaging medico esistenti.

Perché la tempistica è fondamentale

Il cancro ai polmoni viene ancora diagnosticato, nella maggior parte dei casi, in fase avanzata, quando le opzioni terapeutiche sono più limitate e i risultati più difficili da ottenere. Il divario tra ciò che è biologicamente possibile e ciò che effettivamente giunge ai pazienti in tempo è uno dei problemi fondamentali dell’oncologia.

Gli strumenti di intelligenza artificiale che riducono effettivamente il numero di casi non individuati e abbassano i tassi di falsi positivi, evitando così che i pazienti siano sottoposti a procedure non necessarie e l'ansia che ne deriva, affrontano contemporaneamente entrambi gli aspetti del problema.

Nasir sottolinea che questa architettura non si limita al cancro ai polmoni. Qualsiasi attività di diagnostica per immagini che richieda sia un’analisi locale dettagliata sia una comprensione strutturale più ampia potrebbe trarre vantaggio dallo stesso approccio. Tra le potenziali applicazioni vengono citati i tumori cerebrali, il cancro al seno e le patologie oculari.

Il quadro generale

Questa settimana, Demis Hassabis, CEO di Google DeepMind, ha rilasciato due importanti interviste: una al podcast 20VC con Harry Stebbings e l’altra con la divulgatrice scientifica Cleo Abram, in cui ha illustrato la sua visione su ciò che l’IA può fare in campo medico. Il suo messaggio ricorrente è stato che il ruolo più importante dell’IA non risiede nei prodotti di consumo, bensì nella lotta contro le malattie. Ha espresso il desiderio di vedere il processo di scoperta di nuovi farmaci, che attualmente dura un decennio, ridotto a pochi mesi. Riguardo al fatto che l’IA raggiunga un punto in cui la medicina non sarà più come la conosciamo oggi.

L'articolo su C-Swin non ha un'ambizione di tale portata. Si tratta di un modello, un set di dati, una serie di risultati accuratamente circoscritti in attesa di validazione clinica. Ma è proprio così che si colma la distanza tra il punto di partenza e l'obiettivo finale. Non con singoli balzi in avanti, ma attraverso studi come questo, condotti con cura, pubblicati in modo trasparente e su cui potrà costruire il team successivo.

La biologia del cancro ai polmoni viene compresa sempre meglio. Le terapie stanno iniziando ad adeguarsi. E ora, a poco a poco, lo stesso vale per i metodi di diagnosi.

Fonte: Yousafzai SN, Nasir IM, Mansour S et al. Un approccio ibrido di deep learning che integra CNN e Transformer per la classificazione del cancro ai polmoni mediante scansioni TC. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Immagine: illustrazione generata dall'intelligenza artificiale