Il tumore al pancreas ha una mortalità altissima – a cinque anni dalla diagnosi, il tasso di sopravvivenza arriva all’11% negli uomini e al 12% nelle donne – perché si arriva tardi. Quando il paziente avverte i primi sintomi e ottiene una diagnosi, la malattia è quasi sempre già avanzata, e le possibilità di intervento curativo si riducono drasticamente. Cambiare questo scenario significa riuscire a vedere quello che ancora non si vede. Vedere la malattia quando è ancora curabile.

A questo sta lavorando un gruppo della Mayo Clinic, con un sistema di intelligenza artificiale chiamato REDMOD (Radiomics-based Early Detection Model) recentemente descritto in uno studio pubblicato su BMJ Gut.

Il modello è stato addestrato su quasi duemila TAC addominali, comprese scansioni di pazienti successivamente risultati malati, ma all’epoca giudicate normali dai radiologi, e scansioni effettuate per altri motivi, in particolare nei pazienti ad alto rischio, come quelli con diabete di recente insorgenza.

L’obiettivo: capire se esistono tracce subvisive della malattia, pattern cioè che l’occhio umano non riesce a cogliere ma che un algoritmo può imparare a riconoscere.

I risultati sono significativi. REDMOD ha identificato correttamente il 73% dei casi pre-diagnostici, con un vantaggio mediano di circa 16 mesi rispetto alla diagnosi clinica. Nei casi in cui le TAC erano state eseguite più di due anni prima della diagnosi, il sistema ha rilevato quasi tre volte più tumori rispetto ai radiologi che avevano esaminato le stesse immagini. In altre parole, attraverso le scansioni addominali di routine, il modello di intelligenza artificiale sviluppato dalla Mayo Clinic è riuscito a rilevare il cancro al pancreas fino a tre anni prima della diagnosi clinica.

Quale intelligenza artificiale è stata usata

Per capire cosa significa questo risultato – e che cosa invece non significa – è utile inquadrarlo nel contesto più ampio dell’uso dell’intelligenza artificiale in medicina. Ne parliamo con Eugenio Santoro, esperto di sanità digitale che lavora all’Istituto di Ricerche Farmacologiche Mario Negri dove oggi dirige l’Unità per la ricerca in sanità digitale e terapie digitali.

«Siamo di fronte a un sistema che fa predizione, e di per sé non è una novità – spiega Santoro -. Ma lo fa usando l’IA “tradizionale”, quella predittiva, che ha più di trent’anni di storia e ricerca alle spalle». Pensiamo alle applicazioni in ambito cardiovascolare, o alla previsione di eventi come lo scompenso cardiaco sull’ECG. Si tratta di sistemi che calcolano indicatori prognostici. Prima queste previsioni si facevano con la statistica tradizionale, utilizzando regressioni logistiche e modelli con un numero limitato di parametri. Ora si affiancano strumenti capaci di lavorare su molti più parametri.

Nulla a che vedere dunque con i grandi modelli linguistici (come ChatGpt) o con i sistemi generativi che costruiscono testi e immagini. «Si parla di IA non generativa. Sono machine learning sofisticati, addestrati con immagini – in questo caso TAC di buona qualità – che vengono dati in pasto ai sistemi insieme a casi giudicati negativi ma che invece hanno sviluppato la patologia a distanza di anni. Si va a cercare nelle immagini cosa aveva scatenato la malattia. Qui si usano pesantemente le immagini, che contenevano qualcosa che non era stato osservato, e che invece, incrociato con altri parametri clinici, identifica il rischio di patologia anni dopo».

Non è un caso isolato, spiega. Esistono altri studi basati su strumenti di intelligenza artificiali simili, per esempio sulla prognosi della sclerosi multipla, con anticipo di anni rispetto all’esordio.

Il nodo regolatorio: tra FDA ed Europa

Quando potrebbe arrivare in clinica uno strumento come questo? La risposta richiede pazienza. «È ancora uno studio sperimentale», precisa Santoro. «Deve essere approvato come dispositivo medico dalla FDA. Quindi bisogna aspettare che facciano il passaggio con la Food and Drug Administration, e poi probabilmente lo renderanno commerciabile negli Stati Uniti. In Europa la questione è ancora più complessa, perché la regolamentazione è più rigida».

Il percorso regolatorio è lungo, ma necessario: «un sistema del genere, usato in contesti clinici reali, deve dimostrare non solo efficacia in uno studio controllato, ma anche sicurezza, riproducibilità e assenza di effetti dannosi su popolazioni eterogenee».

Quello che conta davvero: «si può fare»

Al di là delle tempistiche, il messaggio fondamentale che possiamo trarre da questa ricerca è che «si può fare», precisa Santoro. «La strada è giusta, e quindi altri potranno farlo. Il metodo è ben descritto e si può replicare». I dati della Mayo Clinic – si legge nell’articolo – sono disponibili su richiesta motivata, previa approvazione dei comitati etici istituzionali.

È la logica della ricerca scientifica applicata all’innovazione tecnologica: dimostrare che qualcosa è possibile apre la strada ad altri, che potranno migliorare, adattare, applicare in contesti diversi. REDMOD, al di là del suo futuro commerciale, ha dimostrato che le TAC di routine contengono informazioni che oggi stiamo lasciando sul tavolo.

La domanda, allora, non è solo «funziona?». È: «chi raccoglierà questo testimone, e in quanto tempo riuscirà a portarlo fino ai pazienti?».