Cancro al seno: l'IA segnala i propri dubbi, in laboratorio

Chiedete a un modello di IA di analizzare una mammografia e otterrete una diagnosi. Non vi dirà però quanto fidarsi di quella risposta specifica. Un team dell'Università di Pittsburgh ha costruito un modello che lo fa: una rete neurale profonda, o DNN, che fornisce a ogni paziente una diagnosi insieme a un punteggio di incertezza. Il lavoro è stato presentato al congresso annuale della Society of Photo-Optical Instrumentation Engineers (SPIE), nel febbraio 2026, a Vancouver, in Canada.

Le DNN imparano da insiemi di addestramento in cui gli esseri umani hanno etichettato le risposte corrette. Diventano molto bravi a prevedere la risposta più probabile per una popolazione di pazienti, a volte quasi sempre. Sono invece molto più deboli nel dire quanto sia affidabile una diagnosi per una persona. Per una malattia che minaccia la vita, sottolinea il team, anche poche diagnosi sbagliate sono catastrofiche per i pazienti che le subiscono. Il metodo del team, che chiama apprendimento ponderato sull'incertezza (UWL), inserisce il punteggio di incertezza nell'addestramento stesso, così che il modello impari a gestire con più cautela i casi incerti.

L'ostacolo era il calcolo. Le mammografie sono immagini grandi e ad alta risoluzione, e le unità di elaborazione grafica (GPU), i chip su cui le DNN girano meglio, hanno bisogno di una grande memoria condivisa per elaborarle una per una senza continui accessi allo storage. Jiren Li, dottorando, ha ottenuto tempo di calcolo su Bridges-2, il supercomputer del PSC, attraverso ACCESS, la rete di centri di supercalcolo gestita dalla Fondazione nazionale per le scienze degli Stati Uniti (NSF). Bridges-2 offriva 47 nodi GPU con 384 GPU di ultima generazione, e ogni nodo dispone di una RAM compresa tra 128 e 2.000 gigabyte, contro i 64 GB di un portatile di fascia alta. Il suo sistema di archiviazione Ocean contiene 15 petabyte di dati utilizzabili.

La prima analisi, che ha confrontato diverse DNN basate su UWL, è stata incoraggiante. Una di esse ha fornito buone stime della propria incertezza, segnalando a medici e pazienti quando una diagnosi potrebbe essere meno affidabile per uno specifico paziente. E lo ha fatto senza perdere accuratezza a livello dell'intera popolazione. Le fonti non riportano dati di accuratezza per il modello, e il team descrive questo lavoro come una prima analisi, non come una validazione clinica.

Per i radiologi, il vantaggio sarebbe un secondo segnale accanto a ogni risposta, che indichi quali casi meritano una lettura più attenta. Per i pazienti, sarebbe un avvertimento quando una diagnosi è meno affidabile per loro personalmente. Il team afferma che lo stesso approccio potrebbe applicarsi ad altri usi critici dell'IA, oltre al cancro al seno. Non fornisce alcuna tempistica per l'uso clinico, e il modello è ancora in fase di ricerca.