IA e screening mammografico: rischio più preciso e carico di lettura ridotto

| Popular Science
dottoressa che lavora al computer un'immagine di radiografia del seno femminile

I modelli di intelligenza artificiale applicati alla mammografia possono migliorare la stratificazione del rischio di tumore al seno e rendere più efficiente il lavoro dei radiologi nei programmi di screening. Lo indica una revisione sistematica pubblicata su La Radiologia Medica, che ha analizzato le evidenze disponibili sull’uso dell’IA per personalizzare lo screening mammografico.

La revisione ha valutato 30 studi pubblicati tra gennaio 2015 e novembre 2025, selezionati da 612 record iniziali e 77 full text esaminati. Gli autori hanno considerato quattro ambiti principali: predizione del rischio, triage, supporto decisionale e implicazioni economiche, etiche e di equità.

Il dato più solido riguarda i modelli di deep learning basati sulle immagini mammografiche. Questi strumenti hanno mostrato una capacità di predizione del rischio superiore rispetto ai modelli clinici tradizionali, riuscendo a concentrare una quota rilevante di tumori futuri in piccoli gruppi ad alto rischio. Il segnale riguarda anche i tumori di intervallo, cioè quelli diagnosticati tra un round di screening e il successivo.

Questo risultato suggerisce che l’IA possa aiutare a identificare donne con rischio a breve termine più elevato, potenzialmente candidabili a percorsi di sorveglianza più intensivi, intervalli più ravvicinati o integrazione con metodiche aggiuntive, come ecografia o risonanza magnetica, nei casi appropriati.

Un secondo ambito promettente riguarda il triage e il supporto alla lettura. Gli studi prospettici e le implementazioni real-world indicano che l’IA può mantenere o migliorare modestamente la rilevazione dei tumori, riducendo al tempo stesso il carico di lavoro dei radiologi di circa il 40-50%. Questo aspetto è particolarmente rilevante nei programmi organizzati, dove la doppia lettura richiede molte risorse e la disponibilità di radiologi esperti può rappresentare un limite operativo.

Sul piano economico, i modelli decisionali suggeriscono che politiche di screening stratificate tramite IA potrebbero essere costo-efficaci. Tuttavia, queste stime dipendono da molte assunzioni e non sono ancora confermate da studi prospettici con endpoint clinici a lungo termine.

La revisione sottolinea anche diversi limiti. Non è ancora dimostrato che agire sul rischio stimato dall’IA riduca effettivamente tumori di intervallo, tumori avanzati o mortalità. Mancano inoltre evidenze robuste sulla performance nei diversi sottogruppi di popolazione, sulle implicazioni di equità, sulla spiegabilità degli algoritmi e sui modelli di governance necessari per un’adozione sicura.

Per questo, gli autori distinguono tra applicazioni più mature e applicazioni ancora sperimentali. Gli impieghi più vicini alla pratica sono l’identificazione delle donne a più alto rischio a breve termine e l’ottimizzazione del workflow attraverso lettura supportata dall’IA. Più prudenza è invece necessaria sull’estensione degli intervalli di screening nelle donne classificate a basso rischio: questa strategia dovrebbe essere valutata solo in studi prospettici o programmi pilota monitorati, con audit di sicurezza ed equità predefiniti.

Nel complesso, l’IA appare un abilitatore credibile dello screening mammografico personalizzato. Il suo valore non sta nel sostituire il radiologo o nel rendere automaticamente più sicuro lo screening, ma nel combinare informazioni dell’immagine, rischio individuale e organizzazione del lavoro per rendere i programmi più mirati ed efficienti.

Prima di una diffusione su larga scala, saranno però necessari studi prospettici con follow-up adeguato, criteri condivisi di validazione, monitoraggio dei falsi negativi, valutazioni di equità e chiari percorsi di responsabilità clinica. Solo così l’IA potrà passare da strumento promettente a componente strutturale dello screening mammografico personalizzato.

Fonte: La Radiologia Medica, 2026

https://openurl.ebsco.com/c/t4a2lo/EPDB%3Agcd%3A6%3A37353478/detailv2?sid=ebsco%3Aocu%3Arecord&id=ebsco%3Adoi%3A10.1007%2Fs11547-026-02217-w&bquery=AU%20Santicchia%2C%20Sonia&page=1&searchDescription=Santicchia%2C%20Sonia&crl=f&x-cgp-token=t4a2lo&link_origin=www.google.com

Potrebbe interessarti

IT-NON-14143-W-10/2027

Contenuti simili

I più visti