L’impiego dell’intelligenza artificiale nella diagnosi dei tumori cutanei sta crescendo rapidamente, ma la valutazione della sua reale performance rimane disomogenea. Un gruppo di ricerca statunitense e sudcoreano ha condotto una umbrella review di 28 revisioni sistematiche e meta-analisi per chiarire quanto l’IA sia efficace nel riconoscere le principali neoplasie cutanee. Gli autori hanno considerato esclusivamente lavori che valutavano l’accuratezza diagnostica dell’IA nelle neoplasie cutanee primitive, misurata attraverso accuratezza, sensibilità, specificità e valori dell’area sotto la curva (AUC).
I risultati, pubblicati sulla rivista American journal of clinical dermatology nel 2026, mostrano un quadro molto variabile. Per il carcinoma basocellulare, la sensibilità riportata nei diversi studi oscillava tra 83,7 e 94,4%, mentre per il carcinoma squamocellulare variava da 57,0 a 90,1%. Nel melanoma, la dispersione era ancora più ampia, con valori compresi tra 48 e 100%. Anche la specificità presentava differenze significative: 77,9-96% per il basocellulare, 92,6-98% per lo squamocellulare e 36-100% per il melanoma. I valori di AUC confermavano questa eterogeneità, con un intervallo generale tra 0,61 e 0,99. Nonostante la variabilità, i confronti narrativi suggeriscono che i modelli di deep learning raggiungono spesso prestazioni diagnostiche non inferiori o talvolta superiori a quelle dei clinici. Tuttavia, la validazione prospettica in contesti reali è ancora limitata, e questo rappresenta un ostacolo rilevante alla loro integrazione nei flussi di lavoro dermatologici.
Gli autori concludono che l’IA possiede un potenziale significativo nella diagnosi dei tumori cutanei, ma presenta limiti importanti. L’eterogeneità dei dataset e le differenze nelle strategie di validazione generano una marcata variabilità degli indicatori diagnostici, rendendo complessa la comparazione tra modelli. Le evidenze emergenti suggeriscono che la ricerca dovrebbe orientarsi verso sistemi multimodali, capaci di integrare metadati clinici strutturati con l’analisi delle immagini. Per compiere questo passo sarà necessario definire standard metodologici condivisi e condurre studi di validazione in contesti clinici reali.
Fonte: American journal of clinical dermatology,2026
https://link.springer.com/article/10.1007/s40257-026-01034-1
