L'IA in radiologia è il sottocaso più maturo dell'IA medica. La radiologia produce immagini digitali standardizzate, ed è il terreno perfetto per computer vision. Ci sono già centinaia di prodotti approvati FDA e marcati CE.
Tool e sistemi:
- Aidoc: triage urgenze (ictus, embolie polmonari, emorragie).
- Viz.ai: stroke detection e workflow ottimizzato.
- Lunit, Lunit Insight: screening cancro al seno, polmone.
- Annalise.ai: triage RX torace.
- RapidAI: stroke imaging.
- Paige Prostate: anatomia patologica AI.
- iCAD, Hologic: mammografia AI.
- Subtle Medical: enhancement immagini RMN/TAC con AI per ridurre dose.
Cosa fa l'IA radiologica:
- Segnalazione anomalie (noduli polmonari, lesioni, fratture).
- Misurazioni automatiche (volume tumorale, dimensioni).
- Triage di priorità (urgente vs routine).
- Confronto con esami precedenti.
- Generazione bozza di referto.
- Riduzione dose radiazioni con AI denoising.
Pro documentati:
- Studi peer-reviewed mostrano riduzione 20-40% miss rate per noduli polmonari.
- Tempo refertazione ridotto del 30%.
- Triage di urgenze più rapido (stroke detection in minuti).
- Mammografia: aumento sensibilità senza aumento falsi positivi (in alcuni setup).
Contro seri:
- Generalizzazione: AI addestrata in ospedale X spesso fa peggio in ospedale Y per macchinari diversi, popolazioni diverse.
- Workflow integration: integrare AI nei sistemi PACS è complicato e costoso.
- Liability: se l'AI segnala "no anomalia" e il radiologo conferma rapidamente, ma c'era un cancro, di chi è la colpa?
- Alarm fatigue: troppi alert riducono attenzione del medico.
- Dipendenza vendor: ospedale legato a fornitore unico.
Mito sfatato: nel 2016 Geoffrey Hinton disse "smettete di formare radiologi, l'AI li sostituirà". Nel 2025 c'è carenza di radiologi e l'AI è uno strumento, non un sostituto. Fa un sacco di cose, ma il radiologo resta in cabina di guida.