AI in Radiology — From Aidoc to IDx-DR, Clinically Approved AI

Cos'è: Aidoc è una società israeliana fondata nel 2016 e diventata, con la prima FDA clearance del 2018, il riferimento per l'AI radiologica clinicamente approvata. Oggi i suoi algoritmi girano in oltre 1500 ospedali in tutto il mondo, analizzando TAC, risonanze e radiografie in tempo reale per identificare condizioni acute. Insieme a IDx-DR per la retinopatia diabetica, Lunit per il cancro al seno, Viz.ai per l'ictus, definisce lo stato dell'arte di un'AI diagnostica che non sostituisce il medico, ma cambia radicalmente il flusso clinico.

La radiologia: il dominio medico ideale per il deep learning

Non è un caso che la radiologia sia il campo medico più trasformato dall'AI. Le immagini radiologiche soddisfano contemporaneamente tutte le condizioni che servono al deep learning per funzionare: sono dati digitali standardizzati (formato DICOM, stessa risoluzione, stessi metadata), disponibili in quantità enorme (decine di milioni di immagini archiviate nei PACS ospedalieri), etichettate da decenni attraverso le refertazioni mediche, e il task di classificazione è chiaramente definito (la lesione è presente o no, è di tipo X o Y).

È esattamente lo stesso pattern che ha reso ImageNet la pietra di Stonehenge della computer vision nel 2012: dataset grande, label affidabili, task chiaro. Con queste premesse, le reti neurali convoluzionali addestrate su milioni di TAC raggiungono performance pari o superiori al radiologo medio su task specifici. Non è magia, è statistica applicata a un dominio strutturato.

Dove l'AI ancora fatica è nel ragionamento contestuale: integrare l'immagine con la storia clinica, la presentazione del sintomo, gli esami di laboratorio. Quello rimane territorio del radiologo umano. Ma il lavoro di prima lettura — quello che impegna ore di concentrazione su immagini ripetitive — è esattamente il tipo di compito che l'AI fa meglio degli umani stanchi alla nona ora del turno.

Aidoc: dalla prima FDA clearance al deployment globale

Aidoc ha ottenuto la prima FDA clearance nell'agosto 2018 per la rilevazione di emorragie intracraniche su TAC della testa. Il claim regolatorio è preciso: il sistema è approvato come "triage software" — non sostituisce la lettura del radiologo, ma riprioritizza la coda di lavoro segnalando i casi sospetti. Una TAC con probabile emorragia salta in cima alla lista del radiologo di turno; il tempo door-to-treatment per un ictus emorragico si riduce, in media, da 70 minuti a meno di 20 negli studi clinici di validazione.

Da quella prima approvazione, Aidoc ha aggiunto algoritmi per embolia polmonare (luglio 2019), fratture vertebrali, aneurisma cerebrale, pneumotorace, aorta lacerata. Oggi il portafoglio supera i 15 algoritmi clinici autorizzati. Il modello di business è SaaS: l'ospedale paga un abbonamento, gli algoritmi girano sui server di Aidoc o on-premise, integrati nel PACS esistente senza riscrivere il flusso clinico. È il pattern che ha reso possibile la diffusione rapida: nessuna riprogettazione dei processi ospedalieri, solo una corsia preferenziale per i casi rossi.

Aziende concorrenti hanno seguito traiettorie simili. Lunit (Corea del Sud) si è concentrata su mammografia e tumore al polmone. Heuron (Corea del Sud) su patologie cerebrali. Viz.ai (Stati Uniti) ha costruito specificamente sulla detection dell'occlusione del grande vaso cerebrale — il caso clinico dove ogni minuto risparmiato significa neuroni salvati. L'app Viz.ai notifica direttamente il neurointerventista sullo smartphone, bypassando l'attesa che il radiologo refertando in batch arrivi alla TAC critica. Lo "stroke golden hour" è diventato un terreno di sperimentazione clinica concreta dell'AI applicata.

IDx-DR: il primo sistema diagnostico autonomo approvato

Il caso di IDx-DR è regolatoriamente diverso e storicamente più importante. Approvato dalla FDA nell'aprile 2018, è il primo dispositivo AI autorizzato per fornire una diagnosi autonoma senza supervisione medica. Il sistema analizza fotografie del fondo oculare per identificare la retinopatia diabetica e dare un output binario: "more than mild" (paziente da inviare all'oftalmologo) o "negativo" (paziente da rivedere tra un anno).

La distinzione regolatoria è cruciale. Aidoc è "decision support", un assistente che il medico interpreta. IDx-DR è "diagnostic device", che sostituisce funzionalmente lo screening oftalmologico in contesti dove l'oftalmologo non c'è — ambulatori di medicina generale, cliniche rurali, paesi a basso reddito. Il sistema può essere operato da personale non specializzato dopo una breve formazione: si scatta la foto del fundus, si carica nel software, si riceve il risultato in meno di un minuto.

Il razionale clinico è solido. La retinopatia diabetica è la principale causa di cecità prevenibile nei diabetici, lo screening regolare riduce drasticamente la progressione, ma la maggioranza dei diabetici non fa lo screening perché serve un oftalmologo dedicato. Portare lo screening dal medico di base con un dispositivo AI cambia la matematica dell'epidemiologia diabetica. Da IDx-DR sono seguiti altri sistemi simili (EyeArt, AEYE) e oggi lo screening AI della retinopatia diabetica è coperto da Medicare negli Stati Uniti.

La previsione fallita di Hinton e l'ironia del 2024

Nel 2016, Geoffrey Hinton — uno dei padri del deep learning, futuro Nobel 2024 per la fisica — fece una previsione che divenne celebre: "Se sei radiologo, sei come Wile E. Coyote che ha già superato il bordo della scogliera ma non ha ancora guardato giù. È completamente ovvio che dovremmo smettere di formare radiologi. Nei prossimi cinque anni il deep learning li farà meglio." Era il 2016, e Hinton parlava con la convinzione di chi vede il futuro accelerato sulla curva esponenziale.

Otto anni dopo, il numero di radiologi negli Stati Uniti è aumentato, non diminuito. La American College of Radiology stima una carenza significativa di radiologi nei prossimi dieci anni a fronte di una domanda di imaging in crescita. La previsione di Hinton si è rivelata sbagliata non perché l'AI radiologica non funzioni — funziona, e bene, come dimostrano Aidoc, Viz.ai, IDx-DR — ma perché ha frainteso completamente il ruolo del radiologo.

Il radiologo non è una macchina di pattern matching. Refertare un'immagine è una piccola parte del lavoro reale. La parte preponderante è integrazione clinica: capire perché è stata richiesta quell'immagine, correlarla con la storia, decidere cosa raccomandare. Inoltre, l'AI crea nuovo lavoro radiologico: ogni segnalazione AI va validata da un umano, ogni edge case richiede giudizio, ogni nuovo algoritmo deve essere monitorato per drift e degradazione. La radiologia non è scomparsa: si è ridistribuita, lasciando più tempo per il giudizio e meno per la lettura primaria.

Lo studio NEJM 2023 sulla mammografia: il modello ibrido

La pubblicazione più importante del 2023 sull'AI radiologica è apparsa sul New England Journal of Medicine con i risultati del trial MASAI condotto in Svezia. Lo studio randomizzato ha confrontato la mammografia di screening letta tradizionalmente da due radiologi indipendenti (lo standard europeo) con un protocollo in cui un radiologo umano lavorava assistito da AI (Lunit INSIGHT MMG).

I risultati: il braccio AI-assistito ha rilevato il 20% in più di tumori invasivi rispetto alla doppia lettura umana tradizionale, con un tasso di richiamo simile e un carico di lavoro per il radiologo ridotto del 44%. La conclusione del paper era diretta: l'AI non sostituisce il radiologo, ma libera tempo e migliora la sensibilità. È il modello "AI as safety net" — l'algoritmo cattura le lesioni che l'occhio umano stanco salta, l'umano cattura i casi atipici dove l'algoritmo statistico fallisce. Né l'uno né l'altro da solo è ottimale; insieme superano entrambi.

Il problema persistente del bias di dataset

Il limite più documentato dell'AI radiologica resta il bias del dataset di addestramento. La maggior parte dei modelli commerciali è stata addestrata principalmente su popolazioni caucasiche, europee o nordamericane. Quando vengono applicati a popolazioni asiatiche, africane, sudamericane, le performance possono degradare in modi clinicamente rilevanti — non perché la fisiologia sia diversa, ma perché la distribuzione delle co-morbidità, le caratteristiche dell'imaging device, e i pattern di presentazione delle malattie possono variare.

Uno studio del 2020 su Nature Medicine ha mostrato che algoritmi addestrati su un set di ospedali statunitensi avevano performance significativamente ridotte quando applicati a ospedali con popolazioni differenti. La FDA, nelle linee guida 2024, ora richiede esplicitamente la documentazione delle caratteristiche del training set e gli studi di validazione esterna su popolazioni diverse. L'EU MDR ha requisiti simili. L'industria ha lentamente capito che il claim di generalizzabilità deve essere dimostrato, non assunto.

L'Italia: SIRM e l'integrazione lenta ma reale

La SIRM, Società Italiana di Radiologia Medica e Interventistica, ha pubblicato nel 2023 le sue prime linee guida sull'uso clinico dell'AI in radiologia. Il documento è cautamente positivo: riconosce il valore degli algoritmi approvati CE-MDR, raccomanda la formazione specifica per i radiologi italiani all'uso di questi sistemi, sottolinea il dovere etico di non delegare decisioni cliniche all'algoritmo senza verifica umana.

L'adozione clinica reale in Italia è ancora frammentata: alcuni grandi centri ospedalieri (Policlinico Gemelli, Humanitas, IRCCS oncologici) hanno implementato sistemi come Aidoc o Lunit; molti ospedali pubblici di provincia non hanno né budget né infrastruttura PACS adeguata. Il SSN italiano si trova nella condizione tipica: tecnologia disponibile, validazione clinica esistente, gap di implementazione legato a finanziamento e formazione. Il quinquennio 2025–2030 dirà se l'AI radiologica entrerà davvero nello standard di cura italiano o resterà confinata ai centri di eccellenza.

---