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.
A CT scan taken to check for pneumonia can carry far more than that answer. Somewhere in its slices, a radiologist's eye may miss the early signs of a heart rhythm problem or a failing kidney, because nobody asked the question. Penn Medicine researchers have built an artificial intelligence model that tries to find exactly those things, and a new study in npj Digital Medicine reports what it can pick up.
Una TAC eseguita per verificare una polmonite può contenere molto più di quella risposta. In una delle sue sezioni, l'occhio di un radiologo potrebbe non cogliere i primi segni di un disturbo del ritmo cardiaco o di un rene che cede, perché nessuno ha posto la domanda. I ricercatori di Penn Medicine hanno sviluppato un modello di intelligenza artificiale che cerca proprio queste cose, e un nuovo studio pubblicato su npj Digital Medicine riferisce che cosa riesce a rilevare.
The model, called Percival, was trained on roughly 400,000 CT scans from about 50,000 patients, drawn from the Penn Medicine BioBank, which gathers data on more than 350,000 people across the University of Pennsylvania Health System over two decades. Most AI tools have to be pointed at a specific condition. Percival is designed to run in the background and surface patterns nobody thought to look for. The team says it found traces of atrial fibrillation, an irregular heartbeat, and chronic kidney disease in scans. Against another AI model, TotalSegmentator, Percival flagged pancreatic cancer, cirrhosis and bacterial pneumonia much more reliably, according to the study's authors.
Il modello, chiamato Percival, è stato addestrato su circa 400.000 TAC di circa 50.000 pazienti, tratte dal Penn Medicine BioBank, che raccoglie dati su più di 350.000 persone nell'ambito del sistema sanitario dell'Università della Pennsylvania, nell'arco di due decenni. La maggior parte degli strumenti di IA deve essere orientata verso una specifica patologia. Percival è progettato per funzionare in background e far emergere schemi a cui nessuno aveva pensato di guardare. Il team afferma di aver trovato nelle scansioni tracce di fibrillazione atriale, un battito cardiaco irregolare, e di malattia renale cronica. Rispetto a un altro modello di IA, TotalSegmentator, Percival ha segnalato tumore del pancreas, cirrosi e polmonite batterica in modo molto più affidabile, secondo gli autori dello studio.
The researchers call this approach 'opportunistic screening': finding disease on a scan ordered for something else. Co-author Charles Kahn, a radiology professor, argues that many patients already have substantial heart or metabolic disease by the time they reach specialty care, so an image taken for another reason could bring that forward. The results are still preclinical. They come from the team's own testing, and the model has not yet been used on patients in routine care.
I ricercatori chiamano questo approccio «screening opportunistico»: individuare una malattia su una scansione richiesta per altro motivo. Charles Kahn, professore di radiologia e coautore, sostiene che molti pazienti presentano già una grave malattia cardiaca o metabolica quando arrivano alle cure specialistiche, quindi un'immagine eseguita per un altro motivo potrebbe anticiparne la diagnosi. I risultati sono ancora preclinici. Provengono dai test del team stesso, e il modello non è ancora stato usato su pazienti nella pratica clinica di routine.
For patients, the practical gain would be earlier recognition, and for hospitals, a way to get more out of imaging they already perform. The developers hope to test Percival early next year, aiming to bring it into the clinic for regular use. Until then, the gains are a promise to be checked: the team is examining how larger datasets and data from several institutions could make the model more robust and predictive. Its code and training specifications are open source, so other groups can test it too.
Per i pazienti, il vantaggio concreto sarebbe una diagnosi più precoce; per gli ospedali, un modo per ricavare più valore dalle immagini che già eseguono. Gli sviluppatori sperano di sperimentare Percival all'inizio del prossimo anno, con l'obiettivo di portarlo in clinica per un uso regolare. Fino ad allora, i benefici restano una promessa da verificare: il team sta esaminando come set di dati più ampi e dati provenienti da più istituti possano rendere il modello più robusto e predittivo. Il suo codice e le specifiche di addestramento sono open source, quindi anche altri gruppi potranno testarlo.
Penn Medicine is also developing other tools. A separate model for cardiac MRI scans, built to help diagnose new conditions, reached near-perfect accuracy in one test, and the team's earlier AInSights tool is expected to help guide Percival's path to the clinic.
Penn Medicine sta sviluppando anche altri strumenti. Un modello separato per le risonanze magnetiche cardiache, pensato per aiutare a diagnosticare nuove patologie, ha raggiunto un'accuratezza quasi perfetta in un test, e lo strumento AInSights, sviluppato in precedenza dal team, dovrebbe aiutare a guidare il percorso di Percival verso la clinica.