Nella medicina moderna, afferma il celebre radiologo Paul Chang, “il problema non è avere più dati, ma dare loro un significato comprensibile a chi deve agire in tempo reale”. Il che è esattamente il punto cieco dell’Intelligenza Artificiale in radiologia. In un’epoca in cui i modelli deep learning sembrano vedere tumori che l’occhio umano ignora, la vera domanda non è cosa vedano, ma come e perché. Perché se un algoritmo emette un alert con scritto “sospetta neoplasia”, e null’altro, siamo di fronte non a una diagnosi assistita ma a un’allucinazione tecnologica. È l’equivalente digitale di un grido nel buio. Come ogni allarme non spiegato, genera sospetto più che fiducia. Nessun tecnico radiologo degno di questo nome può accettare un sistema che si limita a dire “forse è grave”, senza fornire contesto, tracciabilità, logica clinica.
Tag: Radiologia
L’intelligenza artificiale (AI) ha il potenziale di rivoluzionare il campo della radiologia diagnostica, ma affronta importanti ostacoli all’integrazione negli ambienti clinici. Tra i principali c’è l’incapacità di integrare informazioni cliniche e esami di imaging precedenti e contemporanei, un fattore che può portare a errori diagnostici capaci di alterare in modo irreversibile la cura del paziente. Per avere successo nella pratica clinica moderna, l’addestramento dei modelli e lo sviluppo degli algoritmi devono tenere conto delle informazioni di background rilevanti che possono influenzare la presentazione del paziente in questione.
Evoluzione dell’IA nella Radiologia
L’IA è stata applicata nell’imaging medico per decenni, ma la sua crescita esponenziale è avvenuta recentemente. Secondo i dati più recenti, fino a luglio 2023, 692 dispositivi medici abilitati all’IA hanno ricevuto l’autorizzazione al mercato, con oltre il 75% di questi dedicati alla radiologia. Questa crescita ha spinto i regolatori a sviluppare linee guida più rigorose per garantire che i dispositivi siano validati in contesti clinici realistici e che i rischi, come i bias nei dati, siano adeguatamente identificati e mitigati.
La visione computerizzata (CV), è una branca dell’Intelligenza Artificiale (IA) che si occupa di estrarre informazioni rilevanti da immagini e video, analogamente al processo di percezione visiva umana. Nella biomedicina, l’applicazione della CV è particolarmente avanzata nel campo della diagnostica per immagini, dove i macchinari per la Tomografia Assiale Computerizzata (TAC) e la Tomografia a Emissione di Positroni (PET) beneficiano enormemente di questa tecnologia.
L’integrazione della CV in questi strumenti non solo migliora la risoluzione delle immagini, ma consente anche l’analisi automatizzata e l’estrazione di caratteristiche anatomiche e patologiche con una precisione senza precedenti. In questo articolo, descriveremo gli avanzamenti più significativi nell’uso della CV nelle tecnologie TAC e PET di General Electric (GE), con particolare attenzione ai modelli di intelligenza artificiale utilizzati e agli aspetti tecnici legati all’interferenza.
Una nuova ricerca condotta dal MIT ha messo in luce come i modelli di intelligenza artificiale (IA) utilizzati per analizzare le immagini mediche, in particolare le radiografie, possano essere influenzati da bias. Questi modelli, capaci di prevedere caratteristiche demografiche come razza, genere e età di un paziente, tendono a usare tali tratti come scorciatoie nei loro processi diagnostici, portando a diagnosi imprecise per donne e persone di colore.