Apprendimento profondo per la previsione dei tassi di incidenza e la valutazione del rischio radiativo dei tumori solidi

Perché questo è importante per la vita quotidiana

Siamo tutti esposti a bassi livelli di radiazioni provenienti da esami medici, voli in aereo e dall’ambiente. I regolatori usano modelli per stimare quanto queste radiazioni possano aumentare le nostre probabilità di sviluppare un cancro. Questo studio si chiede se l’intelligenza artificiale moderna, in particolare l’apprendimento profondo, possa migliorare tali stime rispetto alle formule tradizionali che hanno guidato le regole di sicurezza per decenni.

Un dataset umano unico a lungo termine

La ricerca si concentra sul Life Span Study, uno studio di lunga durata su oltre 100.000 sopravvissuti alle esplosioni atomiche di Hiroshima e Nagasaki. Per ciascun sottogruppo di sopravvissuti i ricercatori conoscono la quantità di radiazione ricevuta, la durata del follow-up e il numero di tumori solidi verificatisi. Gli autori utilizzano una tabella person-year, che riepiloga i casi di cancro e il tempo a rischio attraverso combinazioni di età, età all’esposizione, sesso, città e dose. Questo ricco dataset è stato la spina dorsale delle linee guida per la protezione dalle radiazioni a livello mondiale, rendendolo un banco di prova ideale per nuovi approcci di modellazione.

Regole vecchie contro nuove macchine di apprendimento

Tradizionalmente, il rischio radiativo in questa coorte è stato stimato con i cosiddetti modelli parametrici. Questi si basano su formule matematiche predefinite che descrivono come il rischio dovrebbe variare con la dose, l’età e altri fattori. Sono trasparenti e relativamente facili da interpretare, ma possono risultare errati se le formule scelte non corrispondono ai reali schemi presenti nei dati. Al contrario, le reti neurali profonde apprendono le relazioni direttamente dai dati attraverso più strati di “unità” connesse, senza assumere una particolare forma matematica per la curva dose‑risposta. Gli autori hanno costruito una rete neurale che riceve sei input — due misure di età, sesso, città, luogo al momento dell’esplosione e dose — e predice i tassi di incidenza dei tumori per ogni cella della tabella person-year.

Quanto bene l’apprendimento profondo prevede i tassi di cancro?

Il team ha confrontato quattro modelli: un semplice modello “null” basato sulla media, un modello lineare standard, un modello parametrico tradizionale per il rischio radiativo e la rete neurale profonda. Utilizzando una validazione incrociata ripetuta, hanno valutato le prestazioni con diverse misure di errore standard. La rete neurale ha prodotto l’errore più basso su tutte le metriche, ma solo leggermente migliore rispetto al modello parametrico sofisticato. Entrambi i modelli avanzati hanno rispecchiato da vicino i tassi osservati di tumori nelle diverse fasce d’età e nella maggior parte delle categorie di dose, sebbene ciascuno mostrasse discrepanze maggiori per le dosi più elevate e le età più avanzate. In altre parole, l’apprendimento profondo non ha sovraperformato in modo drastico il miglior modello convenzionale nel prevedere il numero di tumori, ma è stato almeno altrettanto efficace e spesso leggermente migliore, al costo di tempi di calcolo e complessità molto maggiori.

Differenti immagini di come si costruisce il rischio da radiazioni

La differenza più evidente è emersa quando gli autori hanno esaminato l’excess relative risk (ERR), un modo comune di esprimere di quanto la radiazione moltiplica il rischio basale di cancro di una persona. Usando la loro rete neurale, hanno stimato l’ERR per ogni cella confrontando i tassi di tumore previsti con e senza dose di radiazione, mantenendo costanti gli altri fattori. Anche se la rete neurale e il modello parametrico hanno previsto conteggi di tumori simili, i valori di ERR risultanti differivano in modo notevole lungo l’intervallo delle dosi: il modello parametrico tendeva a fornire stime di ERR più alte e più ampiamente distribuite. Per indagare il motivo, i ricercatori hanno applicato i valori SHAP, un metodo basato sulla teoria dei giochi che assegna a ciascuna variabile di input un contributo alle predizioni del modello. Per i tassi complessivi di tumore, entrambi i modelli hanno concordato che età raggiunta, età all’esposizione, dose e sesso erano le influenze più importanti. Ma per l’ERR, la rete neurale ha evidenziato la dose di radiazione come fattore dominante, con l’età che svolgeva un ruolo di supporto minore, mentre il modello parametrico attribuiva un ruolo molto più forte all’età all’esposizione e all’età raggiunta a causa del modo in cui la sua formula era stata specificata a priori.

Limiti, sfide e usi futuri

Lo studio sottolinea che l’apprendimento profondo, pur essendo flessibile, rimane una “scatola nera” per molti utenti. Non fornisce naturalmente i semplici numeri riassuntivi — come “aumento di rischio per unità di dose” — a cui i regolatori sono abituati, e stimare bande di incertezza per le sue predizioni è tecnicamente complesso, specialmente quando si usano dati riassunti person-year. I modelli possono anche adattarsi troppo a stranezze sottili nei dati se non controllati con attenzione, e richiedono molta più potenza di calcolo rispetto agli approcci tradizionali. Gli autori sostengono che l’apprendimento profondo non dovrebbe sostituire i modelli parametrici ben costruiti, ma può servire come potente complemento: può rivelare pattern non lineari o interazioni nascoste e suggerire forme funzionali migliori per modelli più semplici che restano più facili da spiegare e da regolamentare.

Cosa significa questo per la sicurezza radiativa

Per un lettore non tecnico, la conclusione è che gli strumenti di IA moderni possono eguagliare o migliorare leggermente i metodi tradizionali nella previsione dei tassi di cancro legati alle radiazioni in un importante dataset umano. Tuttavia, possono delineare un quadro diverso su quali fattori contano di più, in particolare su quanto l’età influenzi il rischio da radiazioni. Piuttosto che rovesciare le conoscenze esistenti, questo lavoro evidenzia come la scelta del modello possa spostare l’importanza apparente di dose rispetto all’età e invita a combinare l’apprendimento profondo con modelli trasparenti guidati da esperti. A lungo termine, tale approccio ibrido potrebbe sostenere linee guida per la protezione dalle radiazioni più sfumate e affidabili per l’assistenza sanitaria, i luoghi di lavoro e l’ambiente.

Citazione: Liu, Z., Nakamizo, T., Misumi, M. et al. Deep learning for incidence rate prediction and radiation risk assessment of solid tumors. Sci Rep 16, 10577 (2026). https://doi.org/10.1038/s41598-026-46756-8

Parole chiave: rischio da radiazioni, apprendimento profondo, incidenza del cancro, sopravvissuti alle bombe atomiche, modellazione del rischio