Triage basata su IA e supporto alle decisioni nella mammografia e tomosintesi digitale per lo screening del cancro al seno: uno studio randomizzato accoppiato di non inferiorità

Perché uno screening più intelligente è importante

La maggior parte delle donne oltre i 50 anni viene invitata a controlli radiografici regolari del seno per individuare il cancro in fase precoce. Questi programmi di screening salvano vite, ma gravano anche sui servizi sanitari e generano ansia quando gli esami danno falsi allarmi. Questo studio pone una domanda pressante: l’intelligenza artificiale (IA) può assumersi in sicurezza parte del lavoro di lettura delle immagini al seno, permettendo ai radiologi di concentrarsi solo sui casi a maggiore rischio pur continuando a individuare almeno lo stesso numero di tumori?

Come vengono lette le immagini del seno oggi

In molti programmi europei, ogni mammografia viene letta in modo indipendente da due radiologi. Questa "doppia lettura" consente di rilevare più tumori ma raddoppia anche il carico di lavoro. Le nuove scansioni tridimensionali, chiamate tomosintesi, richiedono ancora più tempo di visione per esame. Allo stesso tempo, le popolazioni invecchiano, alcune linee guida suggeriscono di anticipare l’inizio dello screening e in molte aree mancano radiologi sufficientemente formati. Tutto ciò rende difficile mantenere o migliorare la qualità dello screening senza sovraccaricare gli specialisti.

Cosa hanno testato i ricercatori nella pratica

Il gruppo ha condotto un ampio trial clinico a Córdoba, in Spagna, inserito in un programma pubblico di screening esistente. Oltre 31.000 donne di età tra 50 e 71 anni sono state sottoposte a mammografia digitale standard o a tomosintesi. Ogni esame è stato processato in due modalità parallele. Prima la procedura normale: due radiologi hanno letto ogni caso senza aiuto dell’IA. Nella seconda modalità sperimentale, un sistema di IA ha analizzato le immagini e classificato ogni esame in base alla probabilità di presenza di cancro. Le radiografie che l’IA ha etichettato a basso rischio sono state automaticamente considerate normali e non mostrate a un radiologo; solo gli esami a rischio più elevato sono stati letti in doppio, questa volta con i segni visivi e i punteggi prodotti dall’IA disponibili come supporto decisionale.

Cosa è successo al carico di lavoro e alla rilevazione dei tumori

Questa strategia di triage basata su IA ha fatto sì che i radiologi dovessero leggere poco più di un terzo di tutti gli esami invece di ognuno di essi — una riduzione del carico di lavoro di quasi due terzi. Nonostante questa drastica riduzione, la strategia supportata dall’IA ha effettivamente trovato più tumori: circa 7,3 tumori ogni 1.000 donne esaminate rispetto a 6,3 per 1.000 con il metodo standard. Il percorso guidato dall’IA ha identificato tumori aggiuntivi precoci, di piccole dimensioni e senza interessamento dei linfonodi, le tipologie di cancro in cui il trattamento precoce può essere più efficace. Questi miglioramenti sono stati particolarmente evidenti per la mammografia 2D tradizionale, dove la rilevazione dei tumori è aumentata di oltre il 30% con il supporto dell’IA.

Il compromesso: più richiami per accertamenti aggiuntivi

Il prezzo di questo miglioramento è stato un aumento del numero di donne richiamate per accertamenti aggiuntivi. Complessivamente, il tasso di richiamo è passato dal 4,8% con la lettura standard al 5,5% con la strategia basata sull’IA, e il tasso di falsi positivi è risultato lievemente più alto. In altre parole, sono stati trovati più tumori, ma un numero leggermente maggiore di donne ha vissuto lo stress di un risultato sospetto che alla fine si è rivelato benigno. Per la tomosintesi, invece, l’IA ha ridotto il carico di lavoro senza modificare in modo significativo il numero di donne richiamate o il numero di tumori rilevati, riflettendo le già buone prestazioni di tale modalità.

Sicurezza, tumori mancati e questioni etiche

L’IA non è stata perfetta: 11 tumori hanno ricevuto punteggi a basso rischio e quindi sarebbero stati persi in un flusso di lavoro completamente autonomo. Tuttavia, l’approccio standard senza IA ha mancato ancora più tumori che la strategia supportata dall’IA ha invece rilevato. La maggior parte dei tumori sfuggiti all’IA aveva aspetti molto sottili, individuati da uno solo dei due radiologi nel braccio di lettura tradizionale. Gli autori sottolineano che un’adozione diffusa di lettura esclusivamente automatica da parte dell’IA per molti esami solleva questioni etiche e legali. Sostengono che sarebbero necessarie ulteriori garanzie — come rigorosi controlli di qualità sull’acquisizione delle immagini e monitoraggio continuo delle prestazioni dell’IA — prima di affidarsi all’IA per etichettare la maggior parte degli esami come normali senza revisione umana.

Cosa significa per il futuro dello screening

Per un lettore non specialista, la conclusione è che un’IA progettata con cura può aiutare i radiologi a gestire molti più esami di screening trovando almeno lo stesso numero, e in alcuni casi più, di tumori mammari in fase precoce. In questo trial, permettere all’IA di dichiarare automaticamente normali le mammografie a basso rischio ha ridotto il carico di lavoro dei radiologi di quasi due terzi, ha mantenuto l’accuratezza dei riscontri positivi e ha leggermente migliorato la rilevazione complessiva dei tumori, sebbene più donne siano state invitate a un follow-up. Lo studio suggerisce che, con la supervisione appropriata e ulteriori validazioni, il triage e il supporto decisionale basati sull’IA potrebbero rendere lo screening del cancro al seno su larga scala sia più sostenibile per i sistemi sanitari sia più efficace nell’individuare la malattia in fase precoce.

Citazione: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Parole chiave: screening del cancro al seno, mammografia, intelligenza artificiale, carico di lavoro in radiologia, rilevazione precoce del cancro