La strada verso l’adozione dell’IA nell’imaging medico: percorsi di distribuzione e ostacoli

Distribuzione dell’IA nell’imaging medico: percorsi di sviluppo

Fino ad ora, un meccanismo di rilievo per l’implementazione dell’IA nelle cliniche è stato tramite aziende di imaging medico che sviluppano algoritmi di prima parte che vengono poi integrati nei loro portafogli tecnologici. Aziende come Philips, Siemens Healthineers e GE Healthcare stanno lavorando sull’IA integrata nei loro scanner per assistere i medici migliorando la qualità e la velocità delle immagini, con l’obiettivo di aumentare il valore diagnostico delle immagini mediche e migliorare la fiducia negli interventi medici¹AI-Rad Companion. (s. d.). Siemens Healthineers USA. https://www.siemens-healthineers.com/en-us/digital-health-solutions/ai-rad-companion²SIGNA MR Vision. (s. d.). GE HealthCare (United States). https://www.gehealthcare.com/products/magnetic-resonance-imaging/signa-mr-vision. Creando soluzioni IA proprietarie su misura per le loro attrezzature, queste aziende cercano di rendere l’integrazione clinica facile, affidabile e completa. Con la crescita dell’adozione dell’IA, emergerà una concorrenza tra queste aziende basata sui loro ecosistemi IA integrati. Il fornitore leader sarà quello che offrirà ai medici gli algoritmi più funzionali e di alta qualità, come la segmentazione delle immagini, la quantificazione della morfologia e il supporto diagnostico.

Uno scenario alternativo per l’adozione dell’intelligenza artificiale è l’emergere di sviluppatori “indipendenti” che creano algoritmi IA per l’imaging medico. Mentre le grandi aziende creano algoritmi agnostici rispetto ai compiti (cioè focalizzati sul miglioramento della tecnologia di imaging stessa), sviluppatori terzi più piccoli stanno seguendo un approccio diverso creando algoritmi specializzati in compiti particolari per massimizzare le loro prestazioni, ad esempio nella rilevazione dei tumori³Wang, X., Zhao, J., Marostica, E., Yuan, W., Jin, J., Zhang, J., Li, R., Tang, H., Wang, K., Li, Y., Wang, F., Peng, Y., Zhu, J., Zhang, J., Jackson, C. R., Zhang, J., Dillon, D., Lin, N. U., Sholl, L.,. . . Yu, K. (2024). A pathology foundation model for cancer diagnosis and prognosis prediction. Nature, 634(8035), 970‑978. https://doi.org/10.1038/s41586-024-07894-z. L’obiettivo di questi sviluppatori è che le cliniche scelgano i loro algoritmi in base alla ricerca del massimo livello di prestazioni per un caso d’uso specifico. Questi algoritmi vengono quindi integrati nel Sistema di Informazione Radiologica (RIS) e nel Sistema di Archiviazione e Comunicazione delle Immagini (PACS) delle cliniche per rendere l’implementazione fluida. In questo scenario, l’esito a lungo termine sarebbe il predominio di piattaforme middleware emergenti, che agiscono come un “app store” di algoritmi per le cliniche da selezionare liberamente, dove possono esistere più vincitori diventando l’algoritmo di qualità più elevata per un caso d’uso specifico.

Il futuro della distribuzione dell’IA potrebbe alla fine trovarsi da qualche parte a metà strada, con ciascun scenario che si verifica a tassi di prevalenza differenti, modelli ibridi che consentono alle partnership tra produttori di attrezzature e piattaforme middleware, o sviluppatori di IA indipendenti direttamente.

Disponibilità dei medici ad adottare l’IA: prospettive generali

Mentre la distribuzione dell’IA nelle cliniche è in corso, il prossimo ostacolo che gli attori dell’IA dovranno superare è la disponibilità dei medici ad adottare l’IA nei loro flussi di lavoro attuali. Alcuni medici esprimono preoccupazioni sulla affidabilità dell’IA e sul suo potenziale per sostituire il ragionamento umano. Altri esprimono preoccupazioni sull’integrità dei dati clinici dei pazienti e sul potenziale dell’IA per sostituirli completamente nella clinica.

Tuttavia, la visione popolare per l’IA è quella di uno strumento complementare sicuro e robusto che migliora la precisione diagnostica e l’efficienza, simile ad altri strumenti che sono entrati nella clinica. Ad esempio, all’Hospital Universitario de A Coruña (CHUAC) in Spagna, l’IA è stata integrata nei servizi di radiodiagnostica per migliorare la precisione e la velocità, in particolare in contesti di emergenza⁴Ser, C. (2024, 26 novembre). Cadena SER. Cadena SER. https://cadenaser.com/galicia/2024/11/26/la-inteligencia-artificial-revoluciona-el-radiodiagnostico-en-el-chuac-radio-coruna/. Allo stesso modo, Northwell Health a New York ha sviluppato uno strumento IA chiamato iNav per rilevare il cancro al pancreas più precocemente analizzando le risonanze magnetiche e le scansioni TC fatte per problemi non correlati, riducendo il tempo dalla diagnosi al trattamento del 50%⁵Wilser, J. (2024, 30 octobre). Catching cancer early. TIME. https://time.com/7094712/northwell-health-inav/. Questi esempi dimostrano che quando gli strumenti IA sono progettati per supportare piuttosto che sostituire i medici, c’è una maggiore disponibilità da parte dei medici a prendere il tempo per imparare l’attrezzatura e adottarla nei loro flussi di lavoro.

Inoltre, è stato dimostrato che l’implementazione dell’IA riduce gli errori diagnostici e migliora gli esiti per i pazienti, favorendo una maggiore fiducia e accettazione tra i professionisti sanitari. Iniziative educative come workshop, seminari e conferenze possono essere anche uno strumento potente per gli sviluppatori. Poiché la tecnologia IA continua a evolversi, una collaborazione continua tra sviluppatori e medici sarà essenziale per affrontare le preoccupazioni e garantire un’adozione fluida nei flussi di lavoro clinici.

Scopri come il nostro team può supportarti nell’organizzare i tuoi workshop >

Adozione dell’IA nell’imaging cardiologico e oncologico

In particolare, l’IA sta facendo significativi progressi nell’imaging cardiologico e oncologico, portando a notevoli miglioramenti nella qualità delle cure per i pazienti. In cardiologia, gli algoritmi IA aiutano nell’analisi degli ecocardiogrammi e nella rilevazione delle aritmie, migliorando la precisione diagnostica e l’efficienza.

Ad esempio, i ricercatori dell’Università del Texas a San Antonio stanno sviluppando algoritmi IA per migliorare l’imaging coronarico, offrendo valutazioni in tempo reale della salute cardiaca per la cura preventiva⁶Hand-in-hand : UTSA, UT Health San Antonio researchers use AI to improve real-time coronary imaging. (s. d.). UTSA Today. https://www.utsa.edu/today/2024/01/story/utsa-ut-health-san-antonio-use-AI-for-coronary-heart-disease.html. Nel settore, Nanox.AI utilizza l’IA per identificare condizioni croniche asintomatiche e non rilevate, come la calcificazione delle arterie coronarie, analizzando scansioni TC di routine, utilizzando algoritmi approvati dalla FDA⁷Nanox. (2025, 17 février). Nanox.AI – Nanox. https://www.nanox.vision/ai/#broad-suite-of-fda-510k-cleared-solutions.

Nel frattempo, in oncologia, l’IA sta assistendo nella rilevazione precoce del cancro e nella pianificazione del trattamento. Modelli IA come CHIEF, sviluppato dalla Harvard Medical School, hanno dimostrato un’alta precisione nel rilevare vari tipi di cancro e prevedere i tassi di sopravvivenza, potenzialmente riducendo la necessità di costose sequenze di DNA⁸Williams, R. (2025, 6 février). Prostate cancer and AI : the exciting advances that could transform treatment. The Guardian. https://www.theguardian.com/research-to-reality/2025/jan/24/prostate-cancer-and-ai-the-exciting-advances-that-could-transform-treatment. I ricercatori della Queen’s University di Belfast stanno utilizzando l’IA per analizzare le immagini di patologia digitale, prevedendo il comportamento del cancro e la risposta alla terapia ormonale, migliorando così le strategie di trattamento personalizzate per i pazienti con cancro alla prostata⁹Pesheva, B. E. (2024, 12 décembre). A New Artificial Intelligence Tool for Cancer. Harvard Medical School. https://hms.harvard.edu/news/new-artificial-intelligence-tool-cancer.

Cardiologia e oncologia si distinguono nell’adozione dell’IA grazie a una combinazione di urgenza medica e dimensione del mercato. Al contrario, campi come l’ortopedia sono in ritardo a causa di condizioni meno pericolose per la vita e un volume inferiore di decisioni basate sull’imaging. L’adozione dell’IA in queste aree potrebbe aumentare man mano che le capacità dell’IA si espandono verso la pianificazione chirurgica, la modellazione predittiva per gli esiti dei pazienti e le strategie di riabilitazione personalizzate.

Navigare nel futuro dell’imaging medico guidato dall’IA

Nonostante i progressi emergenti dell’IA, si prevede che l’adozione diffusa dell’IA nell’imaging medico avverrà come un cambiamento graduale che si realizzerà nel prossimo decennio. Secondo Precedence Statistics, il mercato globale per l’IA nell’imaging medico è stato valutato 1,28 miliardi di USD nel 2024 e si prevede che raggiunga circa 14,46 miliardi di USD entro il 2034, con ospedali e cliniche che rappresentano la quota di mercato più alta (64,80% nel 2024)¹⁰Statistics, P. (2025, 13 février). AI in Medical Imaging Market Size Projected to Reach USD 14.46 Bn By 2034. GlobeNewswire News Room. https://www.globenewswire.com/news-release/2025/02/13/3026027/0/en/AI-in-Medical-Imaging-Market-Size-Projected-to-Reach-USD-14-46-Bn-By-2034.html#:~:text=The%20global%20AI%20in%20medical,27.10%25%20from%202025%20to%202034.&text=Ottawa%2C%20Feb.. Questa tendenza indica una grande voglia di tecnologia IA nelle cliniche, che si riflette nel raddoppio biennale delle dimensioni del mercato totale dell’IA nelle cliniche sanitarie.

Con questa traiettoria, ci aspettiamo di vedere diversi traguardi importanti nei prossimi 2-5 anni, tra cui: l’espansione dell’approvazione normativa, l’integrazione tecnica con l’infrastruttura sanitaria esistente, più evidenze cliniche sull’impatto dell’IA sugli esiti dei pazienti, la formazione di iniziative di formazione clinica e un aumento della fiducia dei medici.

Collaborare con consulenti esperti può guidare sia le organizzazioni sanitarie che gli sviluppatori di IA attraverso le complessità dell’integrazione dell’IA, garantendo l’allineamento con gli obiettivi clinici e i requisiti normativi. Nautilus.ai, il team Data & AI di Alcimed, è pronto a supportarti nell’esplorare queste opportunità, non esitare a contattare il nostro team!

Informazioni sugli autori,

Steven, Senior Healthcare Consultant presso Nautilus.ai, il team Data & AI di Alcimed

Matthieu, Manager presso Nautilus.ai, il team Data & AI di Alcimed