Un algoritmo di intelligenza artificiale potrebbe rivoluzionare lo screening del cancro al seno, migliorando l’efficacia della tomosintesi digitale (DBT), anche nota come mammografia 3D. Lo dimostra uno studio pubblicato oggi sulla rivista Radiology della Radiological Society of North America, secondo cui la tecnologia è in grado di identificare quasi un terzo dei tumori cosiddetti “intervallari”, ossia quei tumori che si sviluppano tra due esami di routine e che spesso vengono diagnosticati tardivamente, con prognosi peggiori.
Lo studio: Intelligenza artificiale contro i tumori “invisibili”
Lo studio, guidato dalla dottoressa Manisha Bahl del Massachusetts General Hospital e docente alla Harvard Medical School, ha analizzato 1.376 casi, concentrandosi su 224 tumori intervallari in altrettante donne sottoposte a screening DBT. L’algoritmo testato – Lunit INSIGHT DBT v1.1.0.0 – è riuscito a individuare correttamente il 32,6% di questi tumori che erano precedentemente non rilevati dai radiologi.
“Siamo rimasti sorpresi nel constatare che quasi un terzo dei tumori è rilevato dall’algoritmo su mammografie che erano state interpretate come negative”, ha commentato Bahl. “Questo sottolinea il potenziale dell’intelligenza artificiale come secondo lettore nei programmi di screening”.
Perché la DBT da sola non basta
Finora, la DBT si è rivelata efficace nel migliorare la visualizzazione delle lesioni, soprattutto in presenza di tessuti mammari densi. Tuttavia, trattandosi di una tecnologia relativamente recente, i dati sugli esiti a lungo termine sono ancora limitati. Per questo motivo, il tasso di tumori intervallari è spesso utilizzato come indicatore surrogato dell’efficacia dello screening.
Accuratezza millimetrica e diagnosi più precise
Lo studio ha adottato un criterio rigoroso per valutare le prestazioni dell’algoritmo, considerando valide solo le diagnosi che coincidevano con il sito preciso del tumore, escludendo così falsi positivi o localizzazioni errate. Tra i tumori rilevati dall’intelligenza artificiale, molti erano più grandi e avevano già colpito i linfonodi, suggerendo che l’algoritmo sia particolarmente efficace nell’individuare forme più aggressive o avanzate.
Verso l’integrazione nei flussi clinici
Nel complesso, l’algoritmo ha raggiunto un’accuratezza dell’84,4% sui casi positivi confermati, e ha saputo distinguere correttamente anche la maggior parte dei casi negativi. Secondo Bahl, questi risultati aprono la strada all’integrazione dell’intelligenza artificiale nei flussi di lavoro clinici, pur ricordando che l’impatto effettivo dipenderà dall’adozione da parte dei radiologi e dalla validazione in contesti reali.
Foto di Gerd Altmann da Pixabay
