Immaginate di entrare in un reparto di oncologia di oggi e vedere medici che collaborano con intelligenze artificiali per diagnosticare tumori invisibili all'occhio umano, pianificare trattamenti su misura per ogni singolo paziente e prevedere con precisione chirurgica l'efficacia delle terapie. Non è fantascienza, anche se per arrivarci di strada bisogna farne ancora un po’.
L’intelligenza artificiale è entrata a pieno titolo nelle agende sanitarie di tutto il mondo e sta iniziando a modificare il modo con cui si pianificano politiche sanitarie, si impostano percorsi di cura, si portano avanti le relazioni tra professionisti e pazienti.
Negli ultimi anni, questa tecnologia ha dimostrato capacità straordinarie nell'analizzare enormi quantità di informazioni mediche, dalle immagini radiologiche ai dati genetici, dalle cartelle cliniche ai risultati di laboratorio, riuscendo spesso a individuare pattern e connessioni che sfuggono anche ai medici più esperti. Tutto questo potrebbe portarci a diagnosi più precoci, terapie più mirate e, soprattutto, maggiori possibilità di guarigione per i pazienti.
In questo che è il primo di due approfondimenti, cercheremo di capire nello specifico come l’intelligenza artificiale si stia impiegando in campo oncologico.
Quando le macchine imparano a riconoscere il cancro
La differenza tra le tradizionali tecnologie informatiche e l'intelligenza artificiale moderna è sostanziale. Mentre i computer del passato eseguivano solo le istruzioni che ricevevano, i sistemi di AI di oggi possono letteralmente "imparare" dai dati che analizzano. Esistono due approcci principali: il Machine Learning, che richiede ancora l'intervento di esperti per selezionare le caratteristiche più importanti da analizzare, e il Deep Learning, che utilizza reti neurali artificiali capaci di scoprire autonomamente i pattern nascosti nei dati medici.
Questa capacità di apprendimento automatico ha aperto scenari impensabili fino a pochi anni fa. L'AI può oggi esaminare migliaia di radiografie, risonanze magnetiche o biopsie in pochi minuti, individuando segni precoci di tumore che potrebbero sfuggire durante una normale visita medica. L’intelligenza artificiale può anche prevedere come un paziente risponderà a una specifica terapia, quali effetti collaterali potrebbero manifestarsi e persino stimare le probabilità di guarigione.
L'AI è ampiamente utilizzata nella diagnosi precoce, nella stratificazione del rischio, nella predizione della risposta terapeutica e nella prognosi di diversi tumori. In radiologia, algoritmi di deep learning migliorano la rilevazione di lesioni e la caratterizzazione dei tumori su immagini TC, RM e PET.
Patologia digitale e Pathomics
Nell’ambito della patologia digitale, l'AI consente l'analisi automatica di vetrini istologici, la predizione di biomarcatori molecolari e la classificazione di sottotipi tumorali. Con il termine pathomics (patomica) ci riferiamo all'analisi computazionale e quantitativa delle immagini patologiche digitali per estrarre informazioni diagnostiche e prognostiche, sfruttando tecniche di intelligenza artificiale per individuare pattern morfologici e strutturali che possono correlarsi con caratteristiche molecolari, cliniche e terapeutiche delle neoplasie.
Radiomics e integrazione multi-omics
La radiomics (radiomica) è una disciplina emergente che sfrutta le tecnologie di intelligenza artificiale per estrarre informazioni quantitative dalle immagini radiologiche, come TAC, risonanza magnetica e PET, con l’obiettivo di ottenere dati clinicamente rilevanti. Il processo inizia con l’acquisizione delle immagini, per poi passare alla segmentazione, cioè all’isolamento dell’area di interesse, che può avvenire in modo manuale o automatico. Successivamente si procede all’estrazione dei cosiddetti features, ovvero parametri matematici che descrivono intensità, texture, forma e caratteristiche derivate dell’area analizzata. I dati così ottenuti vengono quindi analizzati mediante algoritmi di machine learning, che permettono di metterli in relazione con informazioni cliniche e genomiche. L’ultima fase consiste nella predizione e interpretazione, dove i modelli elaborati supportano la diagnosi, la stratificazione del rischio e le decisioni terapeutiche. Quando tutti questi dati vengono combinati con informazioni genetiche, cliniche e di laboratorio, si parla di approccio multi-omics (multi-omico): una visione a 360 gradi del paziente e della sua malattia che permette di personalizzare le cure come mai prima d'ora.
AI per la medicina di precisione
L'AI facilita quindi la medicina di precisione attraverso l'analisi di dati multi-omici e la predizione di risposte individuali alle terapie. Inoltre, algoritmi avanzati possono identificare nuovi target terapeutici, ottimizzare la selezione dei pazienti per i trial clinici e accelerare la scoperta di farmaci. L'uso di modelli generativi e digital twin sta emergendo come frontiera per simulare scenari clinici e personalizzare i trattamenti. Parliamo di repliche virtuali dei pazienti basate su dati clinici, genomici e imaging, che permettono simulazioni personalizzate per testare trattamenti senza rischi per il paziente, migliorando la personalizzazione della terapia e prevedendo la risposta ai trattamenti.
Large Language Models (LLM) e Natural Language Processing (NLP) in Oncologia
I Large Language Models (LLM), come ChatGPT, stanno trovando applicazioni significative in oncologia per, ad esempio, l'estrazione di informazioni cliniche dai referti, l'analisi dei dati non strutturati nei sistemi di cartelle cliniche elettroniche, la creazione di chatbot clinici e il supporto alla ricerca di biomarcatori. L'NLP (Natural Language Processing) è un ramo dell'intelligenza artificiale che si occupa dell'interazione tra computer e linguaggio umano. In oncologia, l'NLP viene utilizzato per analizzare grandi dataset clinici e genomici, estraendo informazioni dai registri clinici per migliorare la predizione sulla prognosi. Sebbene gli LLM non abbiano superato i medici nel ragionamento clinico assistito, mostrano performance autonome superiori, suggerendo enormi potenzialità se integrati nei flussi di lavoro clinico.
Nel prossimo approfondimento entreremo più nel dettaglio dell’applicazione dell’AI in ambito oncologico, analizzando il suo uso nella radioterapia e le varie applicazioni secondo il tipo di tumore.
