Valutazione prospettica dell'integrazione dell'intelligenza artificiale nello screening del tumore al seno in più scenari di flusso di lavoro: lo studio GEMINI

Perché questo è importante per le donne e le cliniche

Lo screening mammario salva vite, ma richiede anche molte risorse da parte degli specialisti e può provocare ansia quando alle donne viene richiesto di tornare per controlli non necessari. Questo studio, condotto in un reale programma di screening del Servizio Sanitario Nazionale (NHS) in Scozia, ha posto una domanda pratica: l'intelligenza artificiale (IA) può aiutare i medici a trovare più tumori mantenendo sotto controllo i richiami e il carico di lavoro? Invece di testare un singolo assetto, i ricercatori hanno esplorato molteplici modi per integrare l'IA nella routine di screening, offrendo una roadmap per cliniche con pressioni e priorità diverse.

Come funziona oggi lo screening mammografico

Nel Regno Unito, le donne di età compresa tra 50 e 71 anni sono invitate a eseguire una mammografia ogni tre anni. Ogni serie di radiografie del seno viene letta indipendentemente da due lettori umani qualificati. Se i due lettori non sono d'accordo, un terzo esperto prende la decisione finale. Questo approccio di «doppia lettura» migliora la sicurezza ma richiede grandi quantità di tempo specialistico. Allo stesso tempo, i sistemi sanitari affrontano un aumento del numero di donne che partecipano allo screening e carenze di radiologi. Pertanto, un nuovo strumento deve fare più che individuare tumori: deve anche inserirsi nel sistema esistente e aiutare a gestire il tempo limitato del personale.

Cosa si è proposto di testare lo studio GEMINI

Lo studio GEMINI ha seguito 10.889 donne che hanno partecipato allo screening di routine in una regione del Regno Unito nel 2023. Tutte hanno ricevuto le cure standard: le loro mammografie sono state lette da due esperti umani, con arbitrato se necessario. In parallelo, un sistema commerciale di IA chiamato Mia ha analizzato le immagini e registrato discretamente la sua valutazione. Il team di ricerca ha quindi utilizzato due idee principali. Primo, hanno provato l'IA come «rete di sicurezza aggiuntiva»: se l'IA suggeriva di richiamare una donna ma il team di screening non lo faceva, le sue immagini venivano inviate a una revisione umana aggiuntiva. Secondo, hanno usato le uscite registrate dell'IA per simulare diversi assetti di «triage», in cui l'IA talvolta sostituiva il secondo lettore per risparmiare tempo. In totale, hanno modellato 17 flussi di lavoro distinti che combinavano questi approcci.

Cosa è successo quando l'IA ha agito come lettore aggiuntivo

Quando l'IA era in disaccordo con la decisione di routine di non richiamare, lettori senior hanno riesaminato quelle mammografie. Su 1.345 casi di questo tipo, 55 donne sono state richiamate per ulteriori accertamenti e sono stati individuati 11 tumori mammari aggiuntivi che sarebbero altrimenti rimasti non identificati in quella visita. La maggior parte di questi erano tumori invasivi e molti erano relativamente piccoli. È importante sottolineare che la revisione di questi casi aggiuntivi è stata rapida: circa nove su dieci sono state lette in meno di un minuto, simile o più veloce rispetto a una lettura tipica di mammografia. Ciò suggerisce che i lettori esperti sono stati in grado di utilizzare efficacemente i suggerimenti dell'IA, confermando preoccupazioni reali e respingendo con sicurezza variazioni innocue quando confrontavano con immagini precedenti.

Come il triage con l'IA può alleggerire il carico

Il team ha poi valutato come l'IA potesse sostituire in sicurezza alcune seconde letture umane. Nei flussi di lavoro di «triage», quando il primo lettore umano e l'IA erano d'accordo, quell'accordo era sufficiente e non era necessario un secondo lettore per quei casi. Nei flussi di lavoro «triage negatives», questa scorciatoia veniva utilizzata solo quando entrambi concordavano che non fosse necessario un richiamo, evitando così richiami aggiuntivi ma risparmiando comunque lavoro. A seconda delle soglie decisionali impostate per l'IA, queste strategie simulate potrebbero ridurre il carico totale di lettura di circa un terzo fino a quasi la metà. Alcune versioni riducevano leggermente il numero di tumori individuati, mentre altre preservavano la rilevazione dei tumori e persino riducevano la proporzione di donne richiamate per ulteriori accertamenti.

Trovare il miglior equilibrio per ogni clinica

Il flusso di lavoro principale preferito dagli autori combinava un assetto di «triage negatives» con il ruolo di lettore aggiuntivo per l'IA. In questa configurazione, tutti i tumori individuati dallo screening di routine venivano ancora rilevati, oltre agli 11 tumori aggiuntivi evidenziati dall'IA. Ciò ha aumentato il tasso di rilevamento del cancro di circa il 10 percento—circa un tumore in più ogni 1.000 donne esaminate—mantenendo il tasso di richiamo sostanzialmente invariato e riducendo il carico di lavoro umano fino al 31 percento. Altri flussi di lavoro testati offrivano diversi compromessi, come risparmi maggiori sul carico di lavoro e meno falsi allarmi, a costo di non rilevare un piccolo numero di tumori che il flusso principale avrebbe catturato.

Cosa significa per il futuro dello screening mammografico

Per un non specialista, il messaggio chiave è che l'IA non è destinata a sostituire i medici nello screening del seno, ma può funzionare come un assistente flessibile. In questa valutazione real‑world, un sistema di IA, usato con cautela, ha aiutato a trovare più tumori senza aumentare il numero di donne richiamate e liberando una porzione significativa del tempo di lettura degli esperti. Poiché lo studio ha esplorato molte possibili configurazioni, i servizi sanitari possono scegliere l'assetto che meglio si adatta alle loro esigenze, che si tratti di massimizzare il rilevamento dei tumori, minimizzare i richiami non necessari o alleviare la carenza di personale. Saranno necessari ulteriori studi in altre regioni, con strumenti di IA diversi e un follow‑up più lungo, ma questo studio mostra che un'integrazione ponderata dell'IA potrebbe rendere lo screening mammografico più efficace e sostenibile.

Citazione: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

Parole chiave: screening del tumore al seno, intelligenza artificiale, mammografia, carico di lavoro radiologico, rilevamento del cancro