La notizia in breve
L’intelligenza artificiale è entrata nella ricerca sul cancro attraverso strumenti che spaziano dall’esame preliminare delle immagini di screening come il Pap test, ai software capaci di dialogare con i pazienti, fino alla messa a punto di nuovi farmaci. Opportunità e sfide di questi strumenti sono il tema di un convegno all’Accademia Nazionale dei Lincei a Roma, organizzato tra gli altri da Gerry Melino, professore all’Università di Roma Tor Vergata e membro dell’Accademia, secondo il quale “l’impatto è stato molto forte e già si vede, anche se siamo ancora all’inizio dal capire bene come funziona”.
Melino ha definito “strepitose” le tecnologie offerte dall’IA, evidenziando la presenza di programmi in grado di rispondere ai malati, compilare o modificare prescrizioni, organizzare ricoveri e predire la risposta alle terapie a pochi mesi dal loro inizio. Tra le criticità, l’esperto ha rilevato che “se una società privata come Google Drive gestisce i dati privati di milioni di persone può essere un problema, anche se aiuta ad aumentare l’efficienza”.
Il quadro attuale richiede inoltre il dialogo tra fisica e biomedicina, discipline contraddistinte da approcci opposti: secondo Melino, “i fisici sono più interessati a usare la scienza per l’IA”, mentre “in biomedicina l’IA è al servizio della scienza”. L’incrocio di queste prospettive viene indicato come fondamentale per aprire nuove direzioni di ricerca e favorire un impiego corretto delle tecnologie da parte di medici e ricercatori.

Fotoillustrazione realizzata con l’ausilio di software IA
Come l’IA legge le immagini diagnostiche
Gran parte degli strumenti oggi in uso si basa sull’apprendimento automatico: un algoritmo viene addestrato su grandi archivi di immagini già classificate da specialisti e impara a riconoscere schemi associati a lesioni o alterazioni cellulari. Nello screening citologico, come il Pap test, il software può esaminare i campioni in via preliminare e segnalare quelli sospetti, lasciando al citologo la valutazione finale.
Il valore clinico dipende dalla qualità dei dati di addestramento. Un sistema allenato su campioni provenienti da pochi centri, o da popolazioni poco varie, può funzionare meno bene altrove. Per questo il consenso è che questi strumenti vadano validati nel contesto in cui verranno usati e affiancati, non sostituiti, dal giudizio umano.
Prevedere la risposta alle terapie
In oncologia la risposta a un trattamento varia molto da persona a persona. I modelli predittivi cercano di integrare dati clinici, radiologici e molecolari per stimare precocemente se una terapia sta funzionando, con l’obiettivo di modificare la strategia senza attendere i tempi delle valutazioni tradizionali.
Restano punti aperti. Molti modelli mostrano buone prestazioni in studi retrospettivi, ma la prova più solida richiede sperimentazioni prospettiche che dimostrino un beneficio concreto per i pazienti, non solo una previsione accurata. C’è poi il problema della spiegabilità: quando un algoritmo non rende chiaro su quali elementi basa la sua stima, per il medico diventa più difficile integrarla nella decisione clinica.
Nuovi farmaci e dialogo con i pazienti
Nella ricerca farmacologica l’IA aiuta a prevedere la struttura delle proteine, a individuare bersagli molecolari e a selezionare al computer le molecole candidate tra moltissime possibilità. Questo può accelerare le fasi iniziali, ma non elimina la necessità degli studi preclinici e clinici, che restano il passaggio decisivo per stabilire efficacia e sicurezza.
I sistemi conversazionali possono fornire informazioni, gestire aspetti organizzativi e supportare il lavoro amministrativo. Il loro limite noto è la possibilità di produrre risposte formalmente convincenti ma inesatte, rischio rilevante quando si tratta di prescrizioni o indicazioni cliniche. Per questo l’impiego in ambito sanitario prevede in genere una supervisione professionale.
La questione dei dati
I modelli richiedono grandi quantità di dati sanitari, che la normativa europea considera una categoria particolarmente protetta. L’anonimizzazione riduce i rischi ma non sempre li annulla, perché incrociando più fonti è talvolta possibile risalire all’identità delle persone.
Il dibattito riguarda il bilanciamento tra due esigenze legittime: da un lato l’efficienza e il potenziale scientifico della condivisione dei dati, dall’altro la riservatezza, il controllo pubblico e la trasparenza su chi li gestisce e per quali scopi. Su come trovare questo equilibrio non esiste ancora una soluzione condivisa, e le scelte dipendono anche da valutazioni che vanno oltre l’ambito strettamente medico.
Tutte le news di The WOM Healthy su Google
Tutti gli aggiornamenti su salute, alimentazione e benessere.