Applicazioni della visione artificiale nella chirurgia vascolare: revisione sistematica e valutazione critica

Telecamere intelligenti per i medici dei vasi sanguigni

I medici che trattano problemi vascolari si affidano in larga misura alle immagini mediche, dalle scansioni del corpo alle semplici foto delle ferite. Negli ultimi anni la visione artificiale — software che “vede” e interpreta le immagini — è progredita così rapidamente da raggiungere talvolta le prestazioni degli esperti clinici. Questo articolo esamina centinaia di studi per capire come questi strumenti di lettura delle immagini vengano impiegati nella chirurgia vascolare, quanto siano efficaci e cosa debba ancora migliorare prima che possano aiutare in sicurezza i medici nella cura dei pazienti.

Dove la ricerca cresce più rapidamente

Gli autori hanno cercato nei principali database medici e tecnici e hanno trovato 288 studi, con un’esplosione di lavori dopo il 2017 e un’altra ondata nel 2024–2025. La maggior parte dei progetti ha analizzato immagini già esistenti piuttosto che seguire i pazienti in avanti nel tempo. I ricercatori si sono concentrati principalmente su tre problemi: dilatazioni dell’arteria principale del corpo (aneurismi e dissezioni aortiche), restringimenti delle arterie del collo che irrorano il cervello e piaghe difficili da guarire al piede, soprattutto nel diabete. Al contrario, condizioni come l’occlusione delle arterie degli arti inferiori e le malattie venose — problemi comuni nelle cliniche vascolari — sono state raramente studiate, pur essendo causa di dolore, disabilità e amputazioni.

Su cosa guardano davvero i computer

Negli studi i computer sono stati alimentati con diversi tipi di immagini. Per le malattie aortiche si è fatto ampio uso di tomografie computerizzate (CT); per le malattie delle arterie del collo si è privilegiata l’ecografia; per le ulcere del piede si sono utilizzate foto standard e immagini termiche. Gli strumenti più comuni erano reti profonde moderne, in particolare U‑Net e altre reti neurali convoluzionali, talvolta combinate in ensemble. A questi sistemi veniva solitamente richiesto di delineare strutture (come il lume e la parete di un’arteria o il contorno di una ferita), misurare dimensioni o classificare immagini in categorie come “malato” o “sano”. Molti modelli hanno mostrato prestazioni impressionanti sulla carta, talvolta avvicinandosi agli specialisti in compiti quali la misurazione delle dimensioni di un aneurisma o il monitoraggio dell’area di un’ulcera del piede.

Quanto sono affidabili e imparziali questi strumenti?

Nonostante i risultati promettenti, la revisione ha evidenziato preoccupazioni serie su come questi sistemi sono stati sviluppati e testati. Solo una minoranza ha usato dati esterni provenienti da altri ospedali, essenziali per dimostrare che un modello funzioni nel mondo reale e non solo sul proprio dataset. Molti articoli hanno ignorato le precauzioni di base contro l’overfitting, come set di validazione separati o controlli per squilibri di classe, e alcuni hanno persino valutato le prestazioni sulle stesse immagini usate per l’addestramento. I metodi standard di rendicontazione dei risultati erano disomogenei: per i compiti di delineazione delle immagini circa la metà ha riportato uno score di sovrapposizione ampiamente accettato, mentre per le previsioni binarie meno di uno su cinque ha usato la misura più robusta AUROC. Moltissimi studi non hanno indagato se i sistemi si comportino differentemente tra gruppi di pazienti o dispositivi di imaging, sollevando dubbi su equità e generalizzabilità.

Lacune negli argomenti studiati

Il panorama della ricerca non rispecchia i bisogni quotidiani dei pazienti. La maggior parte dei lavori si concentra su aorta, arterie del collo e malattia del piede diabetico — aree con abbondanti dataset di imaging e compiti ben definiti. Nel frattempo, la malattia arteriosa periferica alle gambe, che spesso colpisce persone appartenenti a minoranze razziali e con reddito più basso, resta poco esplorata. Gli autori sostengono che la visione artificiale potrebbe essere particolarmente utile qui, prevedendo quali pazienti peggioreranno e automatizzando sistemi di punteggio complessi che oggi richiedono troppo tempo nelle cliniche affollate. Un’altra opportunità trascurata è il software che possa imitare il mezzo di contrasto nelle scansioni senza esporre i pazienti — molti dei quali hanno problemi renali — a sostanze potenzialmente dannose; si tratta di una tecnica che solo una manciata di studi vascolari ha provato finora.

Alzare la qualità per i lavori futuri

Per valutare la qualità, gli autori hanno applicato due checklist consolidate che misurano bias e rendicontazione negli studi predittivi. Solo circa uno studio su cinque dei più recenti è risultato a basso rischio di bias e l’aderenza complessiva agli standard di rendicontazione si è mantenuta appena oltre la metà, sebbene sia migliorata nel tempo. Le carenze comuni includevano descrizioni poco chiare su come sono state create le etichette di “verità di riferimento”, mancanza di trasparenza sulle fonti dei dati, assenza di informazioni su come sono state scelte le impostazioni dei modelli e quasi nessun coinvolgimento di pazienti o stakeholder pubblici. Gli autori invitano i ricercatori a seguire queste linee guida già dalla fase di pianificazione, usare misure di performance coerenti (dice per la delineazione, AUROC per le decisioni binarie), condividere dati e codice quando possibile e costruire studi prospettici che verifichino se gli strumenti di visione artificiale migliorino davvero gli esiti dei pazienti.

Cosa significa per pazienti e clinici

Nel complesso, la revisione dipinge il quadro di potenti strumenti di lettura delle immagini che sono ancora agli inizi del loro percorso dal laboratorio alla clinica. La visione artificiale in chirurgia vascolare dimostra già di saper individuare, delineare e misurare problemi vascolari e ferite con notevole accuratezza in condizioni controllate. Ma finché gli studi non rifletteranno meglio la pratica reale, non includeranno pazienti diversi e non soddisferanno standard qualitativi più rigorosi, questi sistemi resteranno per lo più curiosità di ricerca piuttosto che partner affidabili nella cura. Se sviluppatori e clinici affronteranno questi limiti, la visione artificiale potrebbe diventare un aiuto di routine che accelera la diagnosi, supporta decisioni complesse ed estende l’accesso a valutazioni di livello specialistico per le persone con malattie vascolari.

Citazione: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Parole chiave: visione artificiale nella chirurgia vascolare, IA per imaging medico, malattie aortiche e carotidi, ulcere del piede diabetico, malattia arteriosa periferica