Uno studio internazionale guidato dalla Fondazione IRCCS Istituto Nazionale dei Tumori di Milano e pubblicato su Cell Reports Medicine traccia la mappa del nuovo paradigma dell’AI. Grazie all’auto-apprendimento sui dati clinici reali, si aprono nuovi spazi per diagnosi, analisi dei testi e terapie di precisione.
Milano, 11 agosto 2026 – Dall’intelligenza artificiale tradizionale, basata su modelli di machine learning “addestrati” su dati accuratamente selezionati ed etichettati a mano, all’avvento dei large language model (LLM) e di modelli fondazionali capaci di apprendere in modo autonomo dai dati reali della pratica clinica quotidiana. È il cambio di paradigma in corso, che apre nuove prospettive alla ricerca oncologica e che per la prima volta è stato analizzato in una vasta review internazionale, pubblicata dalla rivista Cell Reports Medicine.
Lo studio vede tra i promotori principali la dottoressa Federica Corso, ricercatrice dell’AI-ON Lab (il laboratorio di ricerca sulle applicazioni dell’Intelligenza Artificiale in Oncologia diretto dalla dottoressa Arsela Prelaj) presso la Fondazione IRCCS Istituto Nazionale dei Tumori di Milano (INT) e prima autrice del lavoro condiviso con un team di esperti provenienti da centri di eccellenza europei e statunitensi (tra cui l’EKFZ e l’Università di Dresda, l’Università di Aquisgrana, la Val d’Hebron di Barcellona, l’Università di Cambridge e gli atenei americani di Duke, Chicago e California). Allo studio, che ha come primi autori anche Aleksandra Zec e Margherita Favali, hanno collaborato anche Luca Invernizzi e Vanja Miskovic, sempre di AI-ON-Lab.
Attraverso l’analisi di oltre 150 studi scientifici recenti, la review (descrittiva e non sistematica) offre la prima panoramica completa a livello internazionale su come l’AI di nuova generazione stia trasformando la gestione del dato oncologico in quattro aree fondamentali: analisi del linguaggio naturale, immagini radiologiche e anatomia patologica digitale, biologia molecolare e supporto alle decisioni cliniche.
«Fino ad oggi, i modelli tradizionali di machine learning richiedevano un lavoro preventivo di etichettatura manuale dei dati, ad esempio indicando preliminarmente se un paziente avesse risposto o meno a una terapia», spiega la dottoressa Corso: «È un lavoro che assorbe molto tempo ed energia. Dalla review emerge, invece, che i nuovi modelli fondazionali e i grandi modelli di linguaggio usano sempre di più delle tecniche di self-supervised learning, ovvero un auto-apprendimento in grado di catalogare in maniera autonoma, e quindi di sfruttare appieno, la grande mole di dati e informazioni non strutturate raccolte ogni giorno nella pratica clinica. In questo modo diventa possibile valorizzare un patrimonio informativo enorme che prima andava in gran parte perduto per ragioni di tempo e risorse».
Il lavoro ha evidenziato risultati particolarmente brillanti soprattutto in alcuni ambiti. Nelle operazioni legate al testo e all’estrazione dati – come la sintesi delle cartelle cliniche, le risposte a quesiti medici complessi o lo screening automatizzato per l’inclusione dei pazienti nei trial clinici (trial matching) – i nuovi modelli AI raggiungono un’accuratezza compresa tra l’80% e il 97%. Anche nell’imaging biomedico la diagnostica oncologica e la rilevazione dei tumori evidenziano livelli di precisione estremamente elevati (90-99%). Le sfide più complesse si concentrano, invece, nel supporto decisionale al medico (decision-making) e nella previsione dell’evoluzione clinica o della risposta alle terapie nel lungo periodo, dove i margini di accuratezza restano, per ora, più bassi.
La parte finale dello studio dà anche qualche indicazione su cosa bisognerebbe prendere in considerazione per poter usare al meglio questi tool. «Per garantire un’implementazione etica, affidabile ed efficace dell’AI in clinica, la nostra review indica una precisa tabella di marcia», aggiunge Corso: «È fondamentale sviluppare e condividere nuovi dataset oncologici trasparenti e promuovere studi di usabilità e trial clinici controllati e prospettici, definendo anche degli framework di governance con le istituzioni. Ma lo spazio di crescita è enorme».
Cell Reports Medicine è un’autorevole rivista scientifica open-access del gruppo Cell Press, specializzata nella pubblicazione di ricerche traslazionali e cliniche di primissimo piano a livello globale nell’ambito della medicina e delle scienze della salute.
