In questo articolo Indice dei contenuti 2 sezioni
Nel 2016 Geoffrey Hinton, il cosiddetto padrino dell’intelligenza artificiale e premio Nobel, aveva previsto che i radiologi sarebbero stati sostituiti dai computer nel giro di cinque anni. Dieci anni dopo la categoria è viva e vegeta, tanto che le stime parlano di una crescita del 26% o più nei prossimi trent’anni. Eppure sarebbe un errore liquidare quella profezia come una sciocchezza, perché sul punto centrale Hinton ci aveva visto giusto: i medici che interpretano radiografie, ecografie e risonanze hanno adesso un collega fatto di silicio che in molti compiti li eguaglia, e a volte li supera.
La radiologia è di gran lunga il settore medico più avanti sul fronte dell’IA, e per questo funziona da banco di prova per tutta la sanità. All’inizio del 2026 circa tre quarti dei 1400 dispositivi medici con IA autorizzati dalla FDA statunitense erano destinati proprio all’imaging. Alcuni si limitano a far guadagnare tempo, redigono bozze di referto o segnalano le immagini che richiedono attenzione immediata. Altri fanno cose più delicate, come individuare anomalie che l’occhio umano tende a perdersi. Un’analisi di 43 studi clinici ha concluso che le colonscopie assistite dall’algoritmo trovano più polipi di quelle tradizionali.
Intelligenza artificiale in radiologia: la precisione conta più di quanto sembri
I tassi medi di errore umano nella diagnostica per immagini oscillano fra il 3% e il 5%, che tradotto in numeri assoluti significa qualcosa come 40 milioni di sbagli all’anno nel mondo. Numeri che spiegano l’entusiasmo verso le macchine. Solo che la soluzione non è così banale come mettere un software al posto di una persona. La domanda vera, oggi, non è chi ottiene il punteggio migliore in un test isolato, ma come si combinano la precisione tecnica dell’algoritmo e la flessibilità di chi ha studiato medicina per anni.
Progettare questa collaborazione è tutt’altro che semplice. Curtis Langlotz, radiologo e direttore del Centro per l’intelligenza artificiale in medicina e imaging della Stanford University, spiega che anche un sistema mediamente più affidabile di un esperto continuerà a commettere errori che un essere umano non farebbe mai. Il che mette il medico nella scomoda posizione di dover valutare ogni singola decisione della macchina, quasi tutte corrette, per stanare quella rara volta in cui ha toppato. Paul Yi, del St. Jude Children’s Research Hospital di Memphis, parla apertamente di un cambio radicale di mentalità.
C’è un precedente istruttivo. Gli alert delle cartelle cliniche elettroniche, basati su regole fisse, avvisano da decenni sulle interazioni farmacologiche pericolose, e i medici li ignorano circa la metà delle volte. Ma le reti neurali usate in radiologia sono un’altra storia: sono sistemi a scatola nera, non spiegano come sono arrivate a una conclusione. Charles Kahn, direttore della rivista Radiology: Artificial Intelligence, riassume il dubbio che assilla chi sta davanti al monitor: quella è davvero un’anomalia, oppure la macchina ha visto qualcosa che sfugge?
Il diritto di veto e le trappole mentali
Langlotz propone un esempio concreto. Immaginiamo uno strumento capace di individuare il 95% dei noduli polmonari in una TAC del torace, contro il 90% dei radiologi. Qualcuno concluderebbe che tanto vale sostituire tutti. Peccato che il medico intercetterà una parte di quel 5% sfuggito alla macchina, perché intelligenza artificiale e intelligenza umana sono cose diverse. L’algoritmo scandaglia ogni pixel senza stancarsi mai e confronta l’immagine con tutte quelle già viste. Il radiologo, invece, conosce le malattie e legge il quadro clinico.
Nina Kottler, responsabile medica per l’IA di Mosaic Clinical Technologies, mette a fuoco il problema pratico: garantire che il professionista accetti la macchina quando ha ragione e la scarti quando sbaglia. Due sono le trappole. Il bias di automazione, cioè fidarsi troppo dei risultati positivi o negativi del software mettendo in secondo piano il proprio giudizio. E la compiacenza da automazione, quando anni di convivenza con sistemi affidabili abbassano la guardia sugli errori rari, come del sangue nel cervello non rilevato in una TAC. Uno studio ha mostrato cali netti di accuratezza nella lettura delle mammografie anche fra radiologi esperti, quando le previsioni sbagliate dell’IA entravano nel processo decisionale.
Poi c’è il rovescio, la diffidenza. Un falso positivo grottesco basta a far pensare che la macchina non capisca nulla, e da lì si scivola nel rifiuto sistematico. Kottler suggerisce di monitorare nel tempo quanto i radiologi concordano o meno con il collega digitale, intervenendo quando l’ago pende troppo da una parte.
