Come un algoritmo legge una radiografia meglio dell'occhio umano

Una rassegna pubblicata il 22 dicembre 2025 su npj Digital Medicine, rivista del gruppo Nature, spiega perché le reti neurali convoluzionali riescono a individuare nelle immagini diagnostiche pattern che restano invisibili anche ai radiologi più esperti. Il lavoro, firmato da un gruppo di ricerca dell'Università di Calgary guidato da Nils D. Forkert, non presenta un nuovo esperimento: mette insieme i risultati di decine di studi precedenti per spiegare le differenze tra il modo in cui un algoritmo e un occhio umano elaborano la stessa scansione.

La differenza principale sta nell'architettura. Mentre l'occhio umano deve scegliere tra vedere l'insieme di un'immagine o ingrandire un dettaglio, una rete convoluzionale applica filtri a scale multiple che analizzano insieme la statistica del singolo voxel e la geometria dell'intero organo. Gli autori chiariscono che questa capacità amplia ciò che diventa visibile durante una diagnosi, senza sostituire il giudizio clinico del medico.

Come impara una rete convoluzionale a vedere oltre l'ovvio

Fino a pochi anni fa, il riconoscimento automatico di pattern nelle immagini mediche passava attraverso la radiomica classica, cioè l'estrazione di caratteristiche definite a mano dai ricercatori, come la texture o la forma di una lesione, tramite formule matematiche codificate esplicitamente nel software. Le reti convoluzionali moderne funzionano diversamente: durante l'addestramento il sistema riceve migliaia di immagini già etichettate da un esperto, la cosiddetta ground truth, e regola progressivamente i pesi interni dei suoi strati nascosti tramite retropropagazione, fino a produrre in autonomia l'output corretto. Nessun ricercatore stabilisce a priori quali linee o texture la rete debba cercare.

Questa architettura consente alla rete di applicare filtri convoluzionali a risoluzioni multiple, che elaborano in parallelo il singolo voxel e la geometria complessiva dell'organo, un'operazione che il sistema visivo umano non può replicare senza sacrificare il contesto generale dell'immagine. Il divario diventa evidente sul contrasto: una tomografia computerizzata codifica l'immagine in migliaia di sfumature di grigio, misurate in unità Hounsfield comprese tra meno 1.000 e oltre 3.000, e i monitor diagnostici professionali ne visualizzano circa 1.000 distinte. L'occhio umano, in condizioni ideali, distingue solo poche centinaia di variazioni di grigio percepibili, restando fino a venti volte meno sensibile del limite ottico teorico.

Le reti profonde hanno inoltre una proprietà chiamata approssimazione universale, la capacità teorica di modellare qualunque relazione statistica presente nei dati di addestramento, purché questi siano sufficienti in quantità. Per questo, con dataset ampi e diversificati, gli algoritmi possono cogliere correlazioni tra un'immagine e una diagnosi anche quando quella correlazione non ha un corrispettivo visivo riconoscibile, ciò che la letteratura definisce caratteristica subvisiva o non visiva.

Cosa cambia in concreto, tra applicazioni testate e limiti dichiarati

Un esempio spesso citato riguarda un modello con 22 milioni di parametri addestrato su fotografie del fondo oculare, pubblicato nel 2018 su Nature Biomedical Engineering: il sistema ha imparato a stimare età, sesso, pressione sanguigna, abitudine al fumo e rischio cardiovascolare del paziente a partire dalla sola immagine della retina. La previsione del sesso biologico è stata definita «sorprendente e sconcertante» in un editoriale di accompagnamento, perché all'epoca non era chiaro quali segnali visivi la rendessero possibile.

Il potenziale di supporto diagnostico ha una conferma su scala più ampia: uno studio multicentrico tedesco pubblicato nel 2025 su Nature Medicine, condotto su 461.818 donne sottoposte a screening mammografico, ha registrato un aumento del 17,6% nelle diagnosi di tumore al seno quando la doppia lettura includeva un sistema di intelligenza artificiale, senza un incremento dei falsi positivi.

Il rovescio della medaglia riguarda il modo in cui questi sistemi imparano. Le reti convoluzionali individuano correlazioni statistiche, non relazioni causali, e in almeno un caso documentato un algoritmo ha imparato a riconoscere lo pneumotorace basandosi sulla presenza di un drenaggio toracico visibile nell'immagine, anziché sui segni reali della patologia, perché nel dataset di addestramento le due cose comparivano quasi sempre insieme.

Gli stessi ricercatori segnalano che alcuni modelli riescono a stimare l'origine etnica autodichiarata dei pazienti da una radiografia, una capacità che gli esperti umani non possiedono e di cui non è ancora chiaro quali elementi dell'immagine la rendano possibile. Gli strumenti di trasparenza oggi disponibili, come le mappe di salienza generate con la tecnica Grad-CAM, indicano solo quali regioni dell'immagine hanno pesato di più nella decisione, senza garantire che quella decisione sia clinicamente fondata: proprio su questo punto si concentra il percorso di validazione clinica degli strumenti diagnostici basati su intelligenza artificiale.

Per gestire i casi in cui algoritmo e radiologo non concordano, gli autori propongono uno schema di massima: quando la fiducia interna del modello supera il 95% e il sistema indica le aree dell'immagine su cui si basa, il caso viene segnalato per una seconda lettura; sotto il 70% l'output non viene nemmeno mostrato al medico. Gli stessi ricercatori avvertono però che un punteggio di fiducia elevato non è una garanzia di correttezza, e che la fiducia algoritmica non può sostituire in nessun caso la valutazione clinica. Per un approfondimento su come funzionano le architetture delle reti neurali convoluzionali applicate alla visione artificiale, resta comunque valido il principio di base descritto qui: più dati etichettati, più la rete impara a distinguere pattern fuori dalla portata dell'occhio umano.

Domande frequenti

Questi algoritmi sono già utilizzati negli ospedali?

Alcuni sono già integrati in programmi di screening, come nello studio tedesco sulla mammografia. Negli Stati Uniti la Food and Drug Administration consente aggiornamenti software controllati tramite piani di modifica approvati in fase di autorizzazione iniziale, ma l'adozione su larga scala resta decisa caso per caso da ogni sistema sanitario.

L'intelligenza artificiale può sostituire il radiologo?

No. Gli autori della rassegna chiariscono che gli algoritmi non ragionano per cause, non hanno conoscenza medica generale e possono sbagliare con sicurezza apparente. Restano uno strumento di supporto alla lettura delle immagini, non un sostituto della diagnosi firmata da un medico.