Intelligenza artificiale in sanità: come stanno cambiando diagnosi, imaging e pratica clinica

Questa impostazione è particolarmente importante nella diagnostica. La medicina contemporanea produce una quantità di dati che nessun professionista può gestire senza strumenti digitali evoluti. Una TAC multistrato può generare centinaia o migliaia di immagini; una risonanza magnetica produce sequenze complesse; una mammografia digitale, soprattutto quando associata alla tomosintesi, richiede la valutazione di volumi informativi crescenti. A questi dati si aggiungono cartelle cliniche elettroniche, esami di laboratorio, dati genomici, anatomia patologica digitale e monitoraggio remoto. In questo scenario, il problema non è più soltanto ottenere informazioni cliniche, ma interpretarle in modo tempestivo, accurato e sostenibile.

In Italia la questione può essere ancora più rilevante, come emerso da vari interlocutori durante il forum. Come spiega Bechini, “il nostro è un paziente sempre più complesso per motivi demografici; bisogna governare il futuro della nostra complessità con gestione dell’adozione dell’IA”.

L’IA diventa centrale perché può riconoscere pattern complessi in grandi dataset e applicare lo stesso criterio di analisi a ogni nuovo caso. Questo è particolarmente utile nei contesti ad alto volume, dove la pressione organizzativa aumenta il rischio di ritardi, variabilità interpretativa e sovraccarico cognitivo. Il tema non è teorico: una stima pubblicata nel 2014 su BMJ Quality & Safety ha calcolato che gli errori diagnostici interessano circa il 5% degli adulti assistiti annualmente in ambito ambulatoriale negli Stati Uniti, pari ad almeno un paziente su venti; il rapporto delle National Academies, Improving Diagnosis in Health Care, ha poi sottolineato che l’errore diagnostico è una componente spesso sottovalutata della sicurezza del paziente. 

L’intelligenza artificiale non elimina il rischio di errore, ma può intervenire su alcuni dei suoi fattori predisponenti. Un algoritmo può analizzare sistematicamente le immagini, segnalare reperti sospetti, misurare lesioni, confrontare esami precedenti, attribuire priorità ai casi urgenti e supportare il medico nella produzione di un referto più strutturato. Questa funzione è particolarmente rilevante quando la letteratura mostra che il confronto non deve essere posto tra “uomo contro macchina”, ma tra workflow tradizionale e workflow assistito. Una revisione sistematica e metanalisi pubblicata nel 2019 su The Lancet Digital Health ha mostrato che, in specifici compiti di imaging medico, alcuni sistemi di deep learning possono raggiungere prestazioni paragonabili a quelle degli specialisti; gli stessi autori, però, evidenziano anche la necessità di validazioni rigorose e di studi condotti in condizioni cliniche reali.

La radiologia è l’ambito in cui questa trasformazione è più avanzata. Non sorprende: le immagini radiologiche sono dati digitali ad alta densità informativa, e molte attività radiologiche prevedono il riconoscimento di anomalie visive, la misurazione di lesioni e il confronto tra esami successivi. Gli algoritmi oggi vengono utilizzati o sperimentati per individuare noduli polmonari, emorragie intracraniche, embolie polmonari, pneumotorace, fratture, lesioni mammarie e altre alterazioni che richiedono priorità clinica. In questo contesto, l’IA può agire sia come supporto alla diagnosi sia come strumento di organizzazione della lista di lavoro, portando prima all’attenzione del radiologo gli esami potenzialmente critici.

Un caso particolarmente importante è lo screening mammografico. Il trial randomizzato MASAI, condotto in Svezia, ha valutato l’impiego dell’IA a supporto della lettura mammografica. I risultati intermedi pubblicati nel 2023 su The Lancet Oncology hanno indicato che lo screening assistito da IA può ottenere una rilevazione dei tumori comparabile alla doppia lettura standard, riducendo in modo sostanziale il carico di lettura per i radiologi. Successive analisi pubblicate su The Lancet nel 2025 e 2026 hanno approfondito le caratteristiche dei tumori rilevati, confermando l’interesse clinico dell’approccio ma anche la necessità di monitorare attentamente effetti come falsi positivi, tumori intervallo e generalizzabilità a sistemi sanitari diversi da quello svedese. 

Il valore di questi dati è concreto. In molti Paesi la domanda di imaging cresce più rapidamente della disponibilità di specialisti. Se un sistema di IA consente di ridurre una parte del lavoro ripetitivo senza compromettere la sicurezza diagnostica, il beneficio non riguarda solo il reparto di radiologia, ma l’intero percorso del paziente. Meno tempo speso su casi a basso rischio può significare più attenzione ai casi complessi, referti più rapidi e accesso più tempestivo agli approfondimenti.

Anche la cardiologia offre esempi solidi di integrazione dell’IA nei workflow clinici. Uno studio randomizzato, in cieco, pubblicato nel 2023 su Nature (Blinded, randomized trial of sonographer versus AI cardiac function assessment), ha confrontato una valutazione iniziale della frazione di eiezione ventricolare sinistra eseguita da IA con quella eseguita da sonographer nell’ecocardiografia. Lo studio ha mostrato la non inferiorità dell’approccio assistito da IA nel workflow di interpretazione, con una revisione finale sempre affidata al cardiologo. È un esempio molto chiaro del ruolo più realistico dell’IA: non diagnosi autonoma, ma pre-analisi quantitativa che il medico verifica, corregge e integra nel quadro clinico. 

L’intelligenza artificiale sta avanzando lungo due direttrici. La prima riguarda la diagnosi precoce e lo screening basati su imaging, con evidenze ormai più consistenti nella mammografia e nella Tc toracica a basso dosaggio: dagli studi su mammografia pubblicati su Nature nel 2020 al trial randomizzato MASAI pubblicato su The Lancet nel 2026, fino al lavoro di Ardila et al. su Nature Medicine nel 2019 per lo screening del tumore polmonare. 

La seconda riguarda la caratterizzazione biologica della malattia, dove radiomica e patologia computazionale cercano di collegare immagini, dati clinici e biomarcatori molecolari, come mostrano gli studi di Aerts et al. nel 2014, Coudray et al. nel 2018, Kather et al. nel 2019 e Fu et al. nel 2020. In anatomia patologica digitale, la revisione sistematica e metanalisi di McGenity et al., pubblicata su npj Digital Medicine nel 2024, conferma performance diagnostiche elevate sulle whole slide images, ma segnala anche forte eterogeneità metodologica, limiti di reporting e rischio di bias: un richiamo necessario a non confondere l’accuratezza sperimentale con l’efficacia clinica generalizzabile.

Questa distinzione è essenziale. Dire che un algoritmo “riconosce un tumore” è una semplificazione. Più correttamente, un sistema può identificare regioni sospette, segmentare una lesione, stimare il volume tumorale, confrontare la risposta nel tempo o suggerire pattern compatibili con determinate caratteristiche biologiche. La diagnosi resta un processo clinico, che integra immagine, anamnesi, esame obiettivo, laboratorio, istologia e giudizio dello specialista. L’IA rafforza questo processo quando fornisce misure riproducibili e informazioni tempestive; lo indebolisce se viene usata come scorciatoia non validata.

La neurologia, soprattutto nelle patologie tempo-dipendenti, mostra un altro tipo di beneficio: non solo accuratezza, ma anche velocità del percorso. Qui il beneficio per il paziente è intuitivo: se un caso critico viene riconosciuto prima, il team si attiva con tempestività; se il paziente viene indirizzato prima al centro appropriato, può accedere più rapidamente al trattamento. Naturalmente, anche in questo ambito, l’IA non sostituisce la rete clinica. Funziona solo se integrata con pronto soccorso, neuroradiologia, neurologia, emodinamica/interventistica, sistemi di comunicazione e protocolli territoriali.

L’IA sta entrando anche direttamente nelle apparecchiature e nei software che governano acquisizione, ricostruzione e controllo qualità delle immagini di risonanza magnetica. In questo caso il valore non è soltanto nella lettura automatizzata dell’esame già prodotto, ma nella possibilità di ottenere immagini più stabili, ridurre i tempi di acquisizione, limitare artefatti e rendere più riproducibili esami che dipendono da protocollo, macchina e competenza dell’operatore.

Nella risonanza magnetica, i sistemi di deep learning reconstruction ricostruiscono immagini a partire da dati sottocampionati o rumorosi, con l’obiettivo di accelerare l’esame senza compromettere la qualità diagnostica. Uno studio pubblicato nel 2024 su Radiology: Artificial Intelligence ha osservato, dopo l’implementazione di metodi di ricostruzione deep learning in una rete clinica multicentrica, riduzioni dei tempi di scansione fino al 53% e dei tempi di sala fino al 41% in diversi esami, inclusi cervello, colonna lombare, ginocchio e spalla. È un punto rilevante anche per ortopedia e medicina dello sport, dove risonanza magnetica e imaging muscolo-scheletrico sono centrali per valutare lesioni articolari, tendinee, muscolari e post-traumatiche.

Negli ultrasuoni, l’AI interviene soprattutto come supporto all’acquisizione e alla standardizzazione di un esame fortemente dipendente dall’operatore. Negli ultrasuoni muscolo-scheletrici, strumenti capaci di guidare acquisizione e qualità dell’immagine possono ridurre la variabilità tra operatori e rendere più affidabile il dato in ingresso. Resta però necessario distinguere il beneficio tecnico, come riduzione dei tempi e miglioramento della qualità percepita, dall’impatto clinico su diagnosi, outcome e organizzazione dei percorsi, che richiede valutazioni prospettiche e contesti d’uso ben definiti.

In urologia l’IA sta entrando soprattutto nei passaggi in cui l’esito diagnostico dipende dalla qualità dell’immagine, dalla precisione del targeting e dalla riproducibilità della procedura. Un esempio arriva dallo studio prospettico di Oderda et al., pubblicato su Cancers nel 2025, su 148 pazienti sottoposti a biopsia prostatica transperineale con fusione tra risonanza magnetica ed ecografia tramite UroFusion, sistema dotato di auto-contouring guidato da IA. Il software automatizza la segmentazione della prostata e l’allineamento tra immagini di risonanza magnetica ecografiche, riducendo una quota di variabilità operatore-dipendente.

Nello studio il tempo mediano per ottenere l’immagine di fusione è stato di 5 minuti, la biopsia è durata 15 minuti e il tasso di rilevazione del tumore è stato del 64%, con tumori clinicamente significativi nel 56% dei casi. Il dato interessante è che la detection non è risultata diversa tra operatori esperti e operatori meno esperti supervisionati. I prelievi sistematici hanno intercettato focolai fuori target, confermando che l’IA migliora il workflow, ma non elimina la necessità di una strategia diagnostica completa.

Uno degli aspetti più sottovalutati dell’intelligenza artificiale in sanità riguarda proprio l’organizzazione. L’IA può contribuire a usare meglio le risorse esistenti, medici, macchine e posti disponibili. Un sistema che segnala un esame urgente può ridurre il tempo prima della lettura; un algoritmo che automatizza misurazioni ripetitive può liberare tempo professionale; un software che struttura le informazioni può migliorare la comunicazione tra specialisti. 

Per il paziente, tutto questo può tradursi in una diagnosi più rapida, in un accesso anticipato allo specialista e in un inizio più tempestivo della terapia. Il punto non è promettere che l’IA risolva da sola le liste d’attesa, perché le liste dipendono anche da personale, infrastrutture, programmazione sanitaria e domanda di prestazioni. Il punto è più preciso: nei workflow ben progettati, l’IA può ridurre colli di bottiglia specifici, soprattutto nelle fasi di triage, lettura preliminare, misurazione e prioritarizzazione.

Le tecnologie di imaging diagnostico stanno beneficiando dell’IA lungo l’intero processo, non solo nella lettura finale. Prima dell’esame, gli algoritmi possono supportare la scelta del protocollo o il posizionamento. Durante l’acquisizione, possono contribuire alla ricostruzione dell’immagine, alla riduzione del rumore, all’ottimizzazione della qualità e, in alcune applicazioni, alla riduzione dei tempi di scansione o della dose. Dopo l’acquisizione, possono segmentare organi e lesioni, calcolare volumi, confrontare esami precedenti e generare dati quantitativi utili al follow-up.

La radiomica, cioè l’estrazione di caratteristiche quantitative dalle immagini, consente di trasformare l’immagine medica in una fonte di dati misurabili, potenzialmente integrabili con biomarcatori, dati clinici e genomici. Il valore clinico di questo approccio dipende però dalla validazione: non basta dimostrare che un modello funziona su un dataset retrospettivo, bisogna verificare che migliori decisioni, percorsi e risultati in popolazioni reali.

Proprio per questo motivo, l’integrazione dell’IA nei workflow clinici richiede condizioni rigorose. Il primo requisito è l’interoperabilità: un algoritmo che non dialoga con PACS, RIS, cartella clinica elettronica e sistemi ospedalieri rischia di aggiungere complessità invece di ridurla. Il secondo requisito è la validazione clinica su popolazioni rappresentative, perché un modello addestrato su dati di un certo contesto può performare peggio quando viene applicato a pazienti, apparecchiature o protocolli diversi. Il terzo requisito è il monitoraggio nel tempo: gli algoritmi possono degradare se cambiano le caratteristiche dei dati di ingresso, fenomeno noto come dataset shift.

“Importante sviluppare competenze in questo ambiente”, dice Bechini. “La vera sfida non è solo tecnologica: riguarda la capacità dei professionisti di utilizzarla in modo critico e consapevole”, aggiunge.

“Più che nuove professioni (sicuramente necessarie) metterei l’accento sul cambiamento delle attuali. Per questo è necessario integrare nei percorsi formativi di medici e operatori sanitari competenze specifiche sull'uso, i limiti e i rischi dell'AI, evitando di affrontare il tema solo dopo l'emergere di effetti indesiderati”, continua Bechini.

Su questo punto il quadro regolatorio europeo è particolarmente rilevante. Il regolamento europeo sull’intelligenza artificiale, AI Act (regolamento UE 2024/1689), stabilisce regole specifiche per i sistemi ad alto rischio, con l’obiettivo di proteggere salute, sicurezza e diritti fondamentali. La Commissione europea e il Medical Device Coordination Group hanno inoltre pubblicato documenti sull’interazione tra AI Act, Regolamento dispositivi medici e Regolamento dispositivi medico-diagnostici in vitro, segnalando quanto sia delicata la classificazione dei software sanitari e dei sistemi di IA usati in ambito clinico. 

Il tema della fiducia è quindi centrale. Medici e pazienti devono sapere quando un sistema di IA è stato utilizzato, con quale finalità, con quali limiti e sotto quale responsabilità professionale. La trasparenza non significa necessariamente rendere comprensibile ogni parametro matematico di una rete neurale, ma garantire tracciabilità, validazione, sorveglianza, auditabilità e chiara attribuzione della decisione finale. In sanità, un algoritmo non può essere una “scatola nera” che interrompe la relazione di cura; deve essere uno strumento che la rende più informata.

Un’altra sfida, anche per l’Italia, riguarda il completamento degli ecosistemi di dati su cui l’IA si basa.

L’Italia ha costruito il Fascicolo Sanitario Elettronico 2.0, l’Ecosistema Dati Sanitari (EDS) e l'European Health Data Space, “passi importanti verso una maggiore integrazione dei dati, ma l'interoperabilità semantica tra sistemi è ancora lontana dall'essere pienamente realizzata”, dice Bechini.

“Alimentare il FSE 2.0 anche con immagini e metadati diagnostici significa rendere disponibili informazioni essenziali per la continuità assistenziale, la ricerca e lo sviluppo di modelli di IA più efficaci”, spiega Bechini.

“Questo aspetto diventa ancora più rilevante nell'ambito della medicina di prossimità e del ridisegno dei Percorsi Diagnostico-Terapeutico-Assistenziali (PDTA), dove la produzione di immagini diagnostiche sul territorio rappresenta un elemento fondamentale per garantire diagnosi precoci, presa in carico tempestiva e reale integrazione tra ospedale e servizi territoriali”.

“La vera trasformazione digitale, quindi, non riguarda soltanto gli strumenti, ma la capacità di mettere dati, immagini, processi e paziente al centro di un ecosistema sanitario realmente connesso”, dice Bechini.

La direzione della sanità non è quindi quella di una medicina governata dagli algoritmi, ma di una medicina assistita dai dati, regolata, validata e centrata sul paziente. L’intelligenza artificiale potrà fare davvero la differenza solo se sarà integrata nei processi clinici con responsabilità, evidenza scientifica e governance. Il suo valore non sta nel rendere la diagnosi “automatica”, ma nel renderla più tempestiva, più precisa, più riproducibile e più sostenibile.

Alessandro Longo

Giornalista specializzato in tecnologia. Direttore di Agendadigitale.eu, scrive per La Repubblica e il Sole24Ore. Nel 2020 ha pubblicato “Intelligenza artificiale. L'impatto sulle nostre vite, diritti e libertà” (Mondadori Education, Milano)

BIBLIOGRAFIA

McKinney, S.M., Sieniek, M., Godbole, V. et al. International evaluation of an AI system for breast cancer screening. Nature, 577, 89-94, 2020. DOI: 10.1038/s41586-019-1799-6

Lång, K., Josefsson, V., Larsson, A.M. et al. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. The Lancet Oncology, 24(8), 936-944, 2023. DOI: 10.1016/S1470-2045(23)00298-X 

Hernström, V., Josefsson, V., Sartor, H. et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI): a randomised, controlled, parallel-group, non-inferiority, single-blinded, screening accuracy study. The Lancet Digital Health, 7(3), e175-e183, 2025. DOI: 10.1016/S2589-7500(24)00267-X 

Gommers, J., Hernström, V., Josefsson, V. et al. Interval cancer, sensitivity, and specificity comparing AI-supported mammography screening with standard double reading without AI in the MASAI study: a randomised, controlled, non-inferiority, single-blinded, population-based, screening-accuracy trial. The Lancet, 407(10527), 505-514, 2026. DOI: 10.1016/S0140-6736(25)02464-X 

Ardila, D., Kiraly, A.P., Bharadwaj, S. et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nature Medicine, 25, 954-961, 2019. DOI: 10.1038/s41591-019-0447-x

Aerts, H.J.W.L., Velazquez, E.R., Leijenaar, R.T.H. et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nature Communications, 5, 4006, 2014. DOI: 10.1038/ncomms5006

Coudray, N., Ocampo, P.S., Sakellaropoulos, T. et al. Classification and mutation prediction from non-small cell lung cancer histopathology images using deep learning. Nature Medicine, 24, 1559-1567, 2018. DOI: 10.1038/s41591-018-0177-5

Kather, J.N., Pearson, A.T., Halama, N. et al. Deep learning can predict microsatellite instability directly from histology in gastrointestinal cancer. Nature Medicine, 25, 1054-1056, 2019. DOI: 10.1038/s41591-019-0462-y

Fu, Y., Jung, A.W., Torne, R.V. et al. Pan-cancer computational histopathology reveals mutations, tumor composition and prognosis. Nature Cancer, 1, 800-810, 2020. DOI: 10.1038/s43018-020-0085-8

McGenity, C., Clarke, E.L., Jennings, C. et al. Artificial intelligence in digital pathology: a systematic review and meta-analysis of diagnostic test accuracy. npj Digital Medicine, 2024. DOI: 10.1038/s41746-024-01106-8

Oderda M. et al., Transperineal Free-Hand Prostate Fusion Biopsy with AI-Driven Auto-Contouring: First Results of a Prospective Study, Cancers, 2025, 17, 2381, DOI: 10.3390/cancers17142381.

Yang, A., Finkelstein, M., Koo, C., Doshi, A.H. Impact of Deep Learning Image Reconstruction Methods on MRI Throughput. Radiology: Artificial Intelligence, 6(3), 2024. DOI: 10.1148/ryai.230181

Gassenmaier, S., Afat, S., Nickel, M.D. et al. Deep learning-accelerated T2-weighted imaging of the prostate: Reduction of acquisition time and improvement of image quality. European Journal of Radiology, 137, 109600, 2021. DOI: 10.1016/j.ejrad.2021.109600 

Gassenmaier, S., Afat, S., Nickel, M.D. et al. Accelerated T2-Weighted TSE Imaging of the Prostate Using Deep Learning Image Reconstruction: A Prospective Comparison with Standard T2-Weighted TSE Imaging. Cancers, 13(14), 3593, 2021. DOI: 10.3390/cancers13143593