La TAC in Italia e l'ingresso dell'intelligenza artificiale
La Tomografia Assiale Computerizzata (TAC o TC) produce immagini trasversali ad alta risoluzione del corpo attraverso l'acquisizione di proiezioni radiografiche da centinaia di angolazioni diverse, elaborate poi da algoritmi di ricostruzione in sequenze di sezioni millimenliche. In Italia vengono eseguite circa 1.500 TC ogni 1.000 abitanti l'anno — una delle densità di utilizzo più elevate in Europa — per un totale stimato di quasi 9 milioni di esami annui tra diagnostica d'urgenza, oncologia, screening e follow-up. La gestione di questi volumi esercita una pressione crescente sui reparti di radiologia, dove i tempi di attesa e la possibilità di errori percettivi nelle letture ad alto volume rappresentano criticità note.
L'intelligenza artificiale applicata all'imaging radiologico ha iniziato a fare il suo ingresso nei reparti clinici a partire dalla metà degli anni 2010, quando la disponibilità di enormi dataset di immagini mediche etichettate e l'evoluzione delle reti neurali profonde hanno reso possibile addestrare algoritmi con prestazioni paragonabili o superiori a quelle umane su compiti specifici. Le reti neurali convoluzionali (CNN) sono l'architettura di riferimento: apprendono a riconoscere pattern visivi nelle immagini attraverso milioni di esempi annotati da radiologi esperti, sviluppando rappresentazioni gerarchiche delle caratteristiche rilevanti — dai bordi e texture a basso livello fino alle strutture anatomiche complesse ad alto livello.
Rilevamento dei noduli polmonari: la sfida della sensibilità
Uno degli ambiti di applicazione più consolidati e clinicamente rilevanti riguarda il rilevamento dei noduli polmonari nelle TC del torace. La problematica è ben definita: un radiologo che interpreta decine di esami al giorno deve identificare strutture che possono avere dimensioni di pochi millimetri su immagini composte da centinaia di sezioni assiali. La sensibilità del radiologo in lettura singola (senza doppia lettura) per noduli tra 3 e 6 mm è stimata tra il 65% e l'80% nei trial clinici, con una variabilità significativa in funzione del carico di lavoro e dell'esperienza del lettore.
I sistemi IA di rilevamento dei noduli polmonari (CAD, Computer-Aided Detection) di ultima generazione raggiungono una sensibilità del 94% per noduli di dimensioni ≥ 3 mm, con un tasso di falsi positivi per esame che i migliori algoritmi mantengono sotto i 2 per esame — un valore accettabile per il supporto alla lettura. Uno studio derivato dal National Lung Screening Trial (NLST) statunitense, ripubblicato su Nature Medicine nel 2022, ha dimostrato che l'uso del CAD come secondo lettore riduce i falsi negativi del radiologo del 35% negli esami di screening a bassa dose. In Europa, i programmi pilota di screening per il tumore polmonare che incorporano sistemi IA sono attivi in diversi paesi, tra cui il Progetto ITALUNG in Toscana e lo studio MILD del Policlinico di Milano.
Ricostruzione deep-learning: meno radiazioni, stessa qualità
La riduzione delle dosi di radiazioni ionizzanti nella TC è un obiettivo prioritario della radiologia moderna, particolarmente rilevante per pazienti pediatrici, per chi esegue esami ripetuti nel follow-up oncologico e per i programmi di screening di popolazione. Il principale ostacolo è che la riduzione della dose si accompagna all'aumento del rumore nell'immagine (rumore fotonicostatistico), che può mascherare lesioni di piccole dimensioni o degradare la valutazione delle strutture a basso contrasto.
Le tecnologie di ricostruzione iterativa deep-learning (DLIR) hanno cambiato questo equilibrio. Sistemi come TrueFidelity di GE HealthCare, Precise Image di Siemens Healthineers e AiCE di Canon Medical utilizzano reti neurali addestrate su coppie di immagini a dose standard e a bassa dose per apprendere a rimuovere il rumore mantenendo i dettagli anatomici. I risultati pubblicati su Radiology e European Radiology mostrano una riduzione della dose del 30-50% rispetto alla retroproiezione filtrata tradizionale (FBP) con qualità dell'immagine equivalente o superiore, misurata in termini di rapporto segnale-rumore e contrasto-rumore. Per gli esami pediatrici, dove la sensibilità alle radiazioni è massima, alcune istituzioni riportano riduzioni della dose fino al 70% con algoritmi DLIR.
Stroke e urgenze: la corsa contro il tempo
Nel contesto dell'emergenza neurologica, i minuti sono neuroni. Nell'ictus ischemico acuto, il tessuto cerebrale nella penombra ischemica — la zona di rischio tra il core infartuale e il parenchima sano — perde circa 1,9 milioni di neuroni per ogni minuto di ritardo nella riperfusione. La finestra terapeutica per la trombolisi endovenosa è di 4,5 ore dall'esordio dei sintomi, quella per la trombectomia meccanica di 6-24 ore in casi selezionati. In questo contesto, ogni riduzione del tempo dalla TC alla decisione terapeutica ha un impatto diretto sulla prognosi neurologica.
I sistemi di triage IA per lo stroke come RapidAI (RapidAI Inc.) e Viz.ai analizzano automaticamente le sequenze TC di perfusione e angio-TC entro 2-3 minuti dall'acquisizione, identificando la penombra ischemica, il core infartuale, la sede dell'occlusione arteriosa e stimando il volume di tessuto recuperabile. Il sistema invia una notifica push al neurologo interventista e al team di sala angiografica prima ancora che il radiologo abbia completato la refertazione formale. In centri Hub di stroke che hanno implementato questi sistemi — tra cui l'Azienda Ospedaliero-Universitaria di Ferrara e il Niguarda di Milano — il tempo mediano dall'ingresso in pronto soccorso alla rivascolarizzazione (door-to-puncture) si è ridotto del 20-30%.
Normativa e sfide: AI Act, MDR e responsabilità
L'ingresso dell'IA nell'imaging diagnostico è regolato da un quadro normativo europeo in rapida evoluzione. Il Regolamento sui Dispositivi Medici (MDR 2017/745) classifica i sistemi di supporto decisionale diagnostico come dispositivi medici di classe IIb, richiedendo la marcatura CE-IVD (In Vitro Diagnostic) e una valutazione clinica che dimostri le prestazioni in contesti reali. I produttori devono garantire la sorveglianza post-commercializzazione, segnalare gli eventi avversi all'AIFA e aggiornare regolarmente la documentazione tecnica.
L'AI Act dell'Unione Europea (Regolamento 2024/1689), applicabile ai sistemi IA classificati come "alto rischio" tra cui esplicitamente quelli in campo medico, aggiunge ulteriori obblighi: trasparenza del funzionamento dell'algoritmo, documentazione del dataset di addestramento, misure di robustezza contro attacchi avversariali, registrazione nel database europeo e supervisione umana obbligatoria. Per gli ospedali italiani, l'adozione di sistemi IA diagnostici comporta investimenti in infrastrutture informatiche (integrazione con i sistemi RIS-PACS), formazione del personale, protocolli di validazione locale e, soprattutto, una governance chiara della responsabilità medico-legale — che in Italia rimane in capo al radiologo firmatario del referto, indipendentemente dall'uso di sistemi automatizzati di supporto.
I limiti reali: bias, opacità e distribuzione dei dati
Nonostante i progressi documentati, i sistemi di IA diagnostica presentano limitazioni concrete che condizionano la loro applicabilità clinica universale. Il problema del bias demografico nei dataset di addestramento è ben documentato: molti algoritmi sono stati sviluppati su popolazioni prevalentemente caucasee o asiatiche e mostrano prestazioni inferiori su popolazioni con caratteristiche diverse. Un articolo pubblicato su JAMA 2023 ha analizzato 11 sistemi IA per la diagnostica toracica e trovato differenze statisticamente significative nelle prestazioni tra gruppi etnici e demografici, con conseguenze cliniche potenzialmente rilevanti in contesti multiculturali come i grandi centri urbani italiani.
L'opacità algoritmica — il cosiddetto problema della "black box" — rappresenta un ostacolo alla fiducia clinica e alla responsabilità legale. Quando un sistema IA segnala una lesione sospetta, il radiologo deve decidere se tenerne conto senza poter esaminare il ragionamento sottostante. Le tecniche di explainability (XAI) come le mappe di attivazione (Grad-CAM) offrono una visualizzazione parziale delle regioni di immagine su cui il modello si concentra, ma non forniscono ancora una spiegazione clinicamente interpretabile paragonabile al ragionamento del radiologo. Questo rimane uno dei principali limiti aperti della ricerca in IA radiologica e un tema centrale nel dibattito sull'adozione clinica responsabile.
Domande frequenti
Come fa l'IA a "vedere" un nodulo polmonare su una TAC?
I sistemi IA per il rilevamento dei noduli utilizzano reti neurali convoluzionali (CNN) addestrate su milioni di immagini TC etichettate da radiologi. Il processo avviene in fasi: una rete segmenta il polmone, una seconda identifica le regioni sospette, una terza calcola una probabilità di malignità per ciascun candidato basandosi su dimensione, densità, forma e margini. Il radiologo riceve i candidati segnalati con le rispettive probabilità e prende la decisione diagnostica finale.
L'IA riduce le dosi di radiazioni della TAC?
Sì. Le tecnologie di ricostruzione iterativa deep-learning (DLIR) come TrueFidelity di GE e Precise Image di Siemens consentono acquisizioni TC con dose inferiore del 30-50% rispetto alle tecniche tradizionali, mantenendo la qualità diagnostica. Le reti neurali apprendono a rimuovere il rumore fotonico dalle immagini a bassa dose recuperando la nitidezza delle strutture anatomiche. Per esami pediatrici, alcune istituzioni riportano riduzioni della dose fino al 70%.
Quanto è affidabile l'IA rispetto a un radiologo esperto?
Per compiti specifici come il rilevamento di noduli polmonari, i migliori sistemi IA raggiungono una sensibilità del 94%, contro il 65-80% del radiologo in lettura singola. Tuttavia i radiologi restano superiori nell'interpretazione del contesto clinico e nella gestione di casi rari o complessi. I sistemi più efficaci in clinica combinano il supporto dell'IA con la supervisione del radiologo.
L'IA può essere usata in emergenza, ad esempio per uno stroke?
Sì, ed è uno degli usi più impattanti. Sistemi come RapidAI e Viz.ai analizzano le TC di perfusione e identificano la penombra ischemica in 2-3 minuti, allertando il team di neurointervento prima che il radiologo abbia completato la refertazione. In centri Hub di stroke italiani che usano questi sistemi, il tempo door-to-puncture si è ridotto del 20-30%.
La refertazione IA è già usata negli ospedali italiani?
Sì, con diffusione ancora disomogenea. Il Policlinico Gemelli di Roma ha ridotto il tempo medio di refertazione delle RM encefalo da 4 ore a 45 minuti con un sistema di prioritizzazione automatica. Diversi ospedali universitari usano algoritmi CAD per screening oncologico. La penetrazione è maggiore nei centri ad alto volume e negli IRCCS; gli ospedali di secondo livello spesso mancano ancora delle infrastrutture necessarie.
Chi è responsabile legalmente se l'IA sbaglia?
La firma del referto rimane in capo al radiologo, che risponde della decisione diagnostica finale. L'AI Act UE classifica i sistemi IA in radiologia come "alto rischio" e impone obblighi stringenti al produttore: documentazione tecnica, test di robustezza, trasparenza, sorveglianza post-mercato. La responsabilità del produttore è disciplinata dalla Direttiva sulla responsabilità per i prodotti difettosi e dal Regolamento MDR 2017/745 (classe IIb).
I dati delle TAC usati per addestrare l'IA sono protetti?
Il GDPR classifica le immagini mediche come dati sanitari, categoria speciale con protezioni aggiuntive. Per l'addestramento, le immagini TC vengono anonimizzate attraverso la rimozione dei metadati DICOM identificativi e, quando necessario, la defacing delle immagini del capo. La condivisione per ricerca avviene tramite accordi di data sharing tra istituzioni, con consenso informato o deroghe per ricerca di interesse pubblico nei limiti del Garante Privacy italiano.
L'IA sostituirà i radiologi?
No. L'IA trasforma il ruolo del radiologo, spostando l'attività da compiti ripetitivi di screening verso la gestione delle eccezioni, la correlazione clinica e l'interpretazione di casi complessi. Le proiezioni delle società scientifiche (ESR, SIRM) stimano un aumento della produttività del 30-50% nei prossimi anni, ma il radiologo firmerà sempre il referto. La figura del "radiologo-IA specialist" — in grado di validare e monitorare gli algoritmi in uso — è già realtà nei centri di eccellenza.
Approfondimenti correlati
Intelligenza Artificiale
Panoramica sulle applicazioni dell'IA in Italia: ricerca, industria e politiche pubbliche.
IA nella diagnostica medica
Le applicazioni dell'intelligenza artificiale nella diagnosi clinica e nel supporto al medico.
Frontiere dell'IA
I modelli linguistici di grandi dimensioni, l'IA multimodale e i nuovi paradigmi di ricerca.