Cancro della mammella: applicazione della tecnologia di apprendimento profondo

01.04.2026 | Popular Science
mano con penna che traccia dei segni su uno schermo virtuale con su scritto AI

Shuo Gao e colleghi hanno eseguito una revisione sistematica con l’obiettivo di fornire una sintesi critica e orientata alla clinica dei recenti sviluppi del deep learning per l’imaging del tumore mammario attraverso le principali modalità diagnostiche. Viene posto l’accento sulle architetture dei modelli, le caratteristiche dei dataset, la qualità metodologica e le implicazioni per la traslazione clinica. Seguendo le linee guida PRISMA, è stata effettuata un’esplorazione sistematica delle banche dati PubMed, Scopus, Web of Science, ScienceDirect e Google Scholar alla ricerca di lavori specifici pubblicati tra il 2020 e il 2024 sul deep learning applicato all’imaging mammario.

Alla fine, gli esperti hanno selezionato 65 documenti che hanno utilizzato reti neurali convoluzionali (CNN), Transformer o architetture ibride. I dataset sono stati profilati comparativamente, mentre la qualità degli studi e il rischio di bias sono stati valutati tramite lo strumento QUADAS-2. I classificatori basati su CNN, in particolare in ambito mammografico e patologico, hanno comunemente raggiunto accuratezze mediane superiori al 90% e valori AUC prossimi o superiori a 0,95; i rilevatori CNN hanno inoltre riportato elevate sensibilità e accuratezze intorno al 95%, confermando il loro potenziale ruolo come “secondi lettori”. Le varianti U-Net derivate dalle CNN hanno dominato i compiti di segmentazione, ottenendo elevati valori di Dice e IoU per la delineazione del tumore e del tessuto fibroghiandolare.

I modelli Transformer e quelli ibridi hanno mostrato vantaggi laddove il contesto globale, gli input multi-vista o i dati volumetrici risultavano critici (es. seni densi, DBT, DCE-MRI), migliorando la localizzazione delle lesioni e la stratificazione del rischio a livello di paziente. Tuttavia, il profilo dei dataset e l’analisi QUADAS-2 hanno rivelato limitazioni sostanziali: la maggior parte degli studi è risultata retrospettiva, monocentrica e con classi sbilanciate, presentando una rappresentazione demografica ristretta, standard di riferimento eterogenei e scarse validazioni esterne o prospettiche.

Tali fattori sollevano preoccupazioni circa bias, overfitting, equità e robustezza nell’impiego reale. Solo una minoranza di studi ha affrontato sistematicamente l’interpretabilità, l’integrazione nel flusso di lavoro o i requisiti normativi. Gli Autori concludono che il deep learning promette con buone premesse di supportare la diagnosi precoce, la stratificazione del rischio e l’efficienza dei flussi di lavoro nell’imaging mammario. CNN e Transformer offrono punti di forza complementari per la modellazione dei dettagli locali rispetto a quella del contesto globale. Ciononostante, l’attuale base di evidenze è limitata da disegni sperimentali eterogenei, scarsa rendicontazione della qualità degli studi e dataset distorti (biased). Pertanto, le prestazioni riportate non devono essere interpretate come una prova definitiva di prontezza clinica.

La ricerca futura dovrebbe dare priorità a coorti multicentriche e demograficamente diversificate, alla valutazione trasparente della qualità, alla validazione esterna e prospettica, nonché all’impatto sui radiologi e sui flussi di lavoro. Lo sviluppo di sistemi spiegabili, equi e attenti alla privacy — come quelli abilitati da architetture interpretabili e dal federated learning — sarà essenziale per una traslazione sicura ed equa degli strumenti di deep learning nella cura quotidiana del tumore della mammella.

Fonte: Biomed Eng Online. 2026

https://link.springer.com/article/10.1186/s12938-025-01502-5

Potrebbe interessarti

IT-NON-13307-W-04/2027

Contenuti simili

I più visti