Di recente, software come ChatGPT hanno dimostrato che l’intelligenza artificiale generativa (AI generativa o GenAI) è in grado non solo di analizzare set di dati esistenti, ma anche di utilizzarli per creare nuovi contenuti. Anche in ambito sanità si sta utilizzando l’AI generativa nei settori della generazione di testi o immagini, o addirittura combinando le applicazioni di immagini e di testo, in particolare a supporto del lavoro di refertazione delle immagini diagnostiche da parte dei radiologi.
Bisogna però sempre considerare che lo sviluppo dei sistemi di GenAI deve partire da una esigenza clinica e come ogni innovazione, deve tenere conto dei rischi specifici nell’utilizzo di questa tecnologia.
L’intelligenza artificiale generativa in radiologia
I modelli di intelligenza artificiale coprono un’ampia gamma di compiti, si rielaborano costantemente e sono in grado di apprendere rapidamente una volta consolidati. Questi modelli sono utilizzati anche nella ricerca in medicina. Ad esempio, l’AI generativa assiste nello sviluppo di farmaci calcolando le strutture molecolari dei vari ingredienti e il loro comportamento chimico. Ciò consente alle reti neurali di combinare gli ingredienti farmaceutici in modo specifico per migliorarne l’efficacia (1).
Non solo in farmacologia, ma anche in radiologia, l’AI generativa sta cambiando il modo in cui le persone lavorano, aiutando nel rilevamento e nella segmentazione dei dati delle immagini radiologiche o migliorando la qualità delle immagini. Sebbene la tecnologia sia ancora agli albori, i primi prototipi mostrano il suo enorme potenziale per supportare il lavoro dei radiologi in futuro.
Infatti, in molti Paesi, il numero di esami radiologici sta aumentando vertiginosamente, mentre il numero di radiologi e specialisti di imaging non tiene il passo con questa tendenza. Il risultato è un carico di lavoro drammaticamente aumentato per i radiologi: in media, essi dedicano 11 ore alla settimana ad affrontare pratiche burocratiche e il 61% dei medici cita i compiti burocratici come la principale causa di burnout (2).
In generale l’AI in radiologia rappresenta un percorso consolidato che offre soluzioni al crescente squilibrio tra carico di lavoro e forza lavoro. L’AI ha iniziato a trasformare l’assistenza sanitaria, dal colmare il divario tra il numero di radiologi e la richiesta di dati sempre più complessi, al semplificare l’interpretazione dei dati attraverso sofisticati algoritmi che migliorano il processo diagnostico. Se combinato con le competenze umane di radiologi e medici, questo prezioso strumento offre un vasto potenziale al settore sanitario. L’evoluzione della radiologia potenziata dall’intelligenza artificiale viene arricchita con soluzioni innovative basate sull’AI generativa.
Utilizzare l’AI per scansionare centinaia di database
Infatti, si stanno sviluppando sistemi di chat in grado di caricare, collegare e preparare le risposte, i referti e le immagini appropriate. Ciò significa, ad esempio, che cliccando sull’immagine diagnostica è possibile evidenziare l’area appropriata del referto e viceversa. Inoltre, i referti sulle immagini diagnostiche possono essere generati dinamicamente dall’intelligenza artificiale e classificati in base all’importanza. Altre applicazioni di AI generativa riguardano i servizi di assistenza tecnica e supporto così come di training per lo staff medico. L’AI generativa è quindi una parte importante dell’integrazione intelligente dei dati lungo l’intero processo di imaging, dall’anamnesi del paziente alla refertazione.
Oggi è già possibile utilizzare l’AI per scansionare centinaia di database alla ricerca di informazioni sul paziente o sulla sua patologia utilizzando il linguaggio naturale con la potenza dei Large Language Model (LLM), per ottenere un quadro chiaro. In futuro, grazie a queste applicazioni, sarà possibile identificare molto facilmente eventuali problemi nel corso del trattamento ed integrare molto più rapidamente le nuove scoperte della ricerca nelle cure. Grazie a queste nuove applicazioni i radiologi perderanno meno tempo a cercare tra i set di dati disponibili e potranno concentrarsi maggiormente sul quesito clinico e sul paziente.
La creazione di un sistema di GenAI a supporto dei clinici
Il cuore di ogni processo di sviluppo dovrebbe partire da un’esigenza clinica. In altre parole, ci si deve chiedere qual è il problema specifico o la lacuna che l’algoritmo intende colmare. Nella fase successiva, vengono chiarite le norme etiche, perché per creare l’algoritmo bisogna accedere a grandi volumi di dati. Successivamente, si cerca un set di dati e lo si esporta in forma anonima. Il reperimento di dati di questo tipo comporta un processo di integrazione dei dati stessi. Il passo successivo è pensare a quale algoritmo sia più adatto a rispondere alla domanda, partendo anche da reti liberamente accessibili che vengono adattate.
Spesso si inizia con l’addestramento di più algoritmi contemporaneamente che poi vengono confrontati tra loro per identificare quello più efficiente. Una volta completato l’addestramento, l’algoritmo viene sottoposto a varie fasi di test, idealmente in collaborazione tra diversi istituti di ricerca per validarne l’efficienza. Poi si passa alla valutazione clinica per capire se supporti davvero nella routine o ci sono ostacoli. Infine, l’integrazione nei flussi di lavoro clinici deve essere ottimizzata e valutata.
I rischi dell’AI generativa in sanità
I LLM come ChatGPT sono una innovazione molto interessante che permette di fare cose che prima erano semplicemente inconcepibili – ma ci sono dei rischi specifici nell’utilizzo di questa tecnologia, oltre ai rischi sempre presenti nell’uso dell’AI in generale che riguardano temi di data privacy, cybersicurezza, eticità e riguardano in particolare il controllo della qualità. Ad esempio, se chiedete a ChatGPT di scrivere un’introduzione per un articolo, potete anche chiedergli di indicare le fonti delle informazioni e potete chiedere se i riferimenti sono reali e ChatGPT vi confermerà che lo sono, indicandovi in quale database dovete cercarli.
A un esame più attento, tuttavia, potreste scoprire che le pubblicazioni a cui l’algoritmo fa riferimento non esistono, per quanto le si cerchi. Questo è potenzialmente pericoloso nel mondo della medicina, ed è per questo molto importante effettuare una sorta di ispezione di qualità per evitare queste “allucinazioni”.
Note
- See Kirubanandan/Kirubanandan, 2023
- Medscape Physician Compensation Report 2023 www.medscape.com/sites/public/physician-comp/2023
