Abstract

L’intelligenza artificiale (Artificial Intelligence, AI) sta progressivamente trasformando l’oncologia e l’oncoematologia, con applicazioni che spaziano dalla diagnostica alla stratificazione prognostica fino al supporto decisionale. L’analisi di grandi volumi di dati clinici, molecolari e di imaging consente di identificare pattern difficilmente rilevabili con i metodi tradizionali, favorendo approcci sempre più personalizzati. Tuttavia, bias algoritmici, qualità dei dati, problemi di generalizzabilità e questioni regolatorie limitano ancora l’adozione diffusa di queste tecnologie. La sfida attuale consiste nel coniugare innovazione e governance clinica, garantendo sicurezza, trasparenza e validazione prospettica degli strumenti AI.

L’AI rappresenta una delle innovazioni più promettenti della medicina contemporanea. In oncologia, la crescente disponibilità di dati clinici, radiologici, istopatologici e genomici ha favorito lo sviluppo di algoritmi in grado di supportare il processo decisionale, migliorare l’accuratezza diagnostica e contribuire alla personalizzazione delle strategie terapeutiche. Secondo la review di Kolla e Parikh pubblicata nel 2024 su Cancer, l’AI sta già modificando numerosi aspetti dell’assistenza oncologica, ma la sua integrazione nella pratica clinica richiede ancora un percorso di validazione rigoroso.

In ambito oncoematologico, il potenziale è particolarmente rilevante. Le neoplasie ematologiche producono infatti una grande quantità di dati multidimensionali: emocromi seriali, citometria a flusso, analisi citogenetiche, sequenziamento genomico, imaging e informazioni cliniche longitudinali. L’integrazione di tali informazioni costituisce un contesto ideale per l’applicazione di modelli di machine learning e deep learning.

Uno dei principali campi di impiego riguarda la diagnostica. Gli algoritmi di deep learning sono in grado di analizzare immagini digitali provenienti da strisci periferici, aspirati midollari e biopsie osteomidollari, identificando anomalie morfologiche con livelli di accuratezza progressivamente crescenti.

Analogamente, l’analisi automatizzata di dati provenienti dalla citometria a flusso può contribuire alla classificazione di sottotipi leucemici e linfoproliferativi, supportando il lavoro dello specialista senza sostituirne il giudizio clinico.

Un secondo ambito di grande interesse è la stratificazione prognostica. Gli algoritmi predittivi consentono di integrare variabili cliniche, biologiche e molecolari per stimare il rischio di progressione, recidiva o mortalità.

La review evidenzia come i modelli basati sui dati delle cartelle cliniche elettroniche possano individuare precocemente pazienti ad alto rischio e favorire interventi più tempestivi. In oncoematologia, tale approccio potrebbe contribuire a ottimizzare la selezione dei pazienti candidabili a trattamenti intensivi, trapianto di cellule staminali emopoietiche o strategie terapeutiche innovative.

L’AI sta inoltre assumendo un ruolo crescente nell’ambito della medicina di precisione. Le moderne tecnologie di sequenziamento generano enormi quantità di informazioni genomiche la cui interpretazione può risultare complessa. I sistemi di AI possono facilitare l’identificazione di alterazioni molecolari clinicamente rilevanti, correlare profili genetici a possibili bersagli terapeutici e supportare la selezione di studi clinici appropriati. In un contesto caratterizzato da una crescente disponibilità di farmaci target e immunoterapie, tali strumenti potrebbero contribuire a rendere più efficiente il percorso decisionale.

Particolare attenzione è oggi rivolta anche ai modelli generativi basati sui Large Language Models. Queste tecnologie possono sintetizzare documentazione clinica, supportare attività amministrative e facilitare l’accesso alle informazioni scientifiche.

Tuttavia, gli autori sottolineano come il rischio di generare contenuti inesatti o non verificabili rappresenti un limite significativo, soprattutto in discipline ad alta complessità come l’oncoematologia. Per questo motivo, qualsiasi output generato deve essere sottoposto a revisione critica da parte del professionista sanitario.

Nonostante le prospettive favorevoli, permangono numerose criticità. La prima riguarda la qualità dei dati utilizzati per addestrare gli algoritmi. Dataset incompleti, poco rappresentativi o provenienti da popolazioni selezionate possono introdurre bias sistematici, compromettendo la generalizzabilità dei modelli. Un algoritmo sviluppato in un singolo centro o su una specifica popolazione potrebbe infatti mostrare performance inferiori quando applicato in contesti differenti.

Un secondo elemento riguarda la trasparenza. Molti sistemi avanzati di deep learning operano come vere e proprie "black box", rendendo difficile comprendere il percorso logico che conduce a una determinata previsione. In ambito clinico, dove la responsabilità decisionale resta in capo al medico, l’interpretabilità degli algoritmi costituisce un requisito fondamentale per favorirne l’adozione.

Ulteriori aspetti riguardano la protezione dei dati, la sicurezza informatica, la conformità regolatoria e la necessità di validazioni prospettiche multicentriche.

Prima di essere implementati su larga scala, gli strumenti AI dovranno dimostrare non soltanto accuratezza tecnica, ma anche un reale impatto sugli esiti clinici e sull’equità delle cure.

L’intelligenza artificiale non appare destinata a sostituire il medico, bensì a potenziarne le capacità decisionali. In oncoematologia il suo valore risiederà soprattutto nella capacità di integrare dati complessi, identificare segnali clinicamente rilevanti e supportare percorsi di cura sempre più personalizzati. Il successo di questa trasformazione dipenderà dalla qualità delle evidenze scientifiche, dalla robustezza metodologica degli algoritmi e dalla capacità di mantenere il professionista sanitario al centro del processo decisionale.

Referenze: Kolla L, Parikh RB. Uses and limitations of artificial intelligence for oncology. Cancer. 2024 Jun 15;130(12):2101-2107. doi: 10.1002/cncr.35307.