Uno studio britannico, che ha analizzato oltre 130.000 mammografie del programma triennale di screening, ha mostrato come l’intelligenza artificiale basata su deep learning possa aiutare a identificare le donne con un rischio più elevato di sviluppare un carcinoma mammario “di intervallo”, ossia quei tumori diagnosticati tra due mammografie di screening. Applicato retrospettivamente, l’algoritmo è riuscito a riconoscere fino al 42% dei casi concentrandosi sul 20% delle donne con i punteggi di rischio più elevati.
I tumori di intervallo in genere hanno una prognosi peggiore rispetto ai tumori rilevati tramite screening, perché tendono a essere più grandi o più aggressivi. È quindi importante ridurre al minimo queste forme neoplastiche presenti in qualsiasi programma di screening.
LO STUDIO
La ricerca, pubblicata su Radiology della Radiological Society of North America (RSNA), ha analizzato 134.217 mammografie di screening, relative a donne tra i 50 e i 70 anni, individuando 524 tumori di intervallo.
Gli autori hanno utilizzato un algoritmo basato su deep learning chiamato Mirai, che elabora mammografie negative per produrre un punteggio di rischio per lo sviluppo di un carcinoma mammario di intervallo. Il sistema considera densità mammaria e altre caratteristiche per formulare la previsione.
I punteggi di rischio su tre anni hanno retrospettivamente previsto:
- 3,6% dei tumori di intervallo per l’1% delle donne a rischio più alto
- 14,5% per il 5%
- 26,1% per il 10%
- 42,4% per il 20%
L’algoritmo ha mostrato migliori prestazioni nel predire i tumori di intervallo entro un anno dall’esame di screening e, sebbene meno efficace nelle donne con seno estremamente denso, ha superato diversi strumenti di rischio convenzionali.
I VANTAGGI DELL’IA NELLA DIAGNOSI
L’AI applicata alla mammografia può migliorare la sensibilità del programma di screening, riducendo i casi più difficili da individuare. Tuttavia, i dati finora disponibili sono retrospettivi e serviranno validazioni prospettiche prima di un uso clinico diffuso.
ADERENZA ALLO SCREENING: UN PUNTO CRITICO
Sottoporsi alla mammografia ogni due anni resta fondamentale anche per prevenire i tumori di intervallo.
Nel 2024, secondo l’Osservatorio Nazionale Screening, l’adesione effettiva in Italia si è fermata al 53,8%, con un forte divario tra Nord (63,2%) e Sud-Isole (40,1%). Le differenze regionali sono marcate: si va dal 22,1% della Calabria all’82,7% di Trento.
COME DEFINIAMO IL RISCHIO DI CANCRO?
La definizione del rischio individuale di carcinoma mammario non può basarsi solo su densità e familiarità. Parametri metabolici, genetici e strumenti innovativi come la biopsia liquida saranno necessari per un modello più completo.
In questo quadro, l’IA può diventare uno strumento utile, ma deve inserirsi in una visione multidimensionale e aggiornata del rischio oncologico.
INFRASTRUTTURE, LIMITI E QUESTIONI ETICHE
L’uso dell’IA richiede:
- infrastrutture informatiche adeguate,
- integrazione con PACS e RIS,
- validazioni locali sui dati nazionali.
L’introduzione dell’IA solleva anche questioni etiche e medico-legali: la responsabilità rimane in capo al radiologo e i modelli di deep learning, spesso black box, non sempre permettono di spiegare la logica della decisione. Centrale anche la protezione dei dati, poiché l’addestramento richiede grandi quantità di informazioni sensibili.
A CHE PUNTO SIAMO IN ITALIA?
In Italia l’adozione dell’IA nello screening è ancora in evoluzione. I risultati variano tra software diversi e manca una validazione uniforme. Per questo il GISMa sta sviluppando un progetto multicentrico retrospettivo-prospettico con il sistema Breast Negativi di HealTriage, per valutare concretamente affidabilità e impatto dell’IA nei programmi di screening.
