Le due versioni sono allineate blocco per blocco, nell’ordine del testo: titolo, l’essenziale, poi paragrafo per paragrafo. Quando la traduzione ha fuso o diviso un paragrafo, la casella corrispondente resta vuota — non accostiamo mai due passaggi a occhio.
Ask an AI model about a mammogram and it returns a diagnosis. It does not say how much to trust that particular answer. A team from the University of Pittsburgh has built a model that does: a deep neural network, or DNN, that gives each patient a diagnosis together with an uncertainty score. The work was presented at the annual meeting of the Society of Photo-Optical Instrumentation Engineers (SPIE) in February 2026, in Vancouver, Canada.
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.
DNNs learn from training sets in which humans have labeled the right answers. They become very good at predicting the likely answer across a population of patients, sometimes almost all of the time. They are much weaker at telling how reliable a diagnosis is for one person. For a disease that threatens life, the team points out, even a few wrong diagnoses are catastrophic for the patients they affect. The team’s method, which it calls uncertainty-weighted learning (UWL), feeds the uncertainty score into training itself, so the model learns to handle uncertain cases more carefully.
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.
The obstacle was computing. Mammograms are large, high-resolution images, and graphics processing units (GPUs), the chips DNNs run best on, need large shared memory to process each one without constant trips to storage. Jiren Li, a PhD student, obtained time on Bridges-2, the supercomputer of PSC, through ACCESS, the network of supercomputing sites run by the US National Science Foundation (NSF). Bridges-2 offered 47 GPU nodes with 384 late-model GPUs, and each node has between 128 and 2,000 gigabytes of RAM, against 64 GB in a high-end laptop. Its Ocean storage system holds 15 petabytes of usable data.
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.
The first analysis, which compared several UWL-based DNNs, was encouraging. One of them gave good estimates of its own uncertainty, signaling to doctors and patients when a diagnosis may be less reliable for a specific patient. It did this without losing accuracy across the population as a whole. The reporting gives no accuracy figures for the model, and the team describes this as a first analysis, not a clinical validation.
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.
For radiologists, the gain would be a second signal next to each answer, showing which cases deserve a closer read. For patients, it would be a warning when a diagnosis is less reliable for them personally. The team says the same approach could apply to other critical uses of AI, beyond breast cancer. It gives no timeline for clinical use, and the model is still at the research stage.
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.