La sintetica sessione, seguitissima da un pubblico attento, è stata presieduta e introdotta da Thomas B. Powles (Londra) che ha dato appuntamento per gli approfondimenti alla conferenza ESMO del prossimo anno, tutta dedicata agli usi dell’IA in oncologia (ESMO AI and Digital Oncology Congress 2025, Berlino, 12-14 novembre 2025). Ha passato poi la parola ai due interventi in programma, di Jakob N. Kather (Dresda, Germania) e Amy Abernethy (San Francisco, USA).
Kather ha ricordato in primo luogo cosa significhi l’IA per l’oncologia di precisione, soffermandosi poi sui suoi utilizzi più diffusi. Nonostante abbia il potenziale per trasformare radicalmente il panorama dell’oncologia di precisione, l’AI è agli inizi e esistono ancora ostacoli all’implementazione dei suoi strumenti nella pratica clinica. Il punto di forza dell’intelligenza artificiale nell’oncologia di precisione consiste nella sua capacità di valorizzare i dati reali già disponibili di milioni di pazienti oncologici. Negli ultimi anni, ha permesso agli oncologi di sfruttare grandi dataset provenienti da più fonti di informazioni, inclusi il sequenziamento di nuova generazione e soprattutto l’imaging, contribuendo così a migliorare il profilo dei tumori e fornendo una comprensione più completa del cancro (NPJ Precis Oncol. 2023;7:43).
I dati di base disponibili per tutti i pazienti – come i referti, i risultati patologici e le immagini – sono i migliori che l’intelligenza artificiale possa utilizzare per estrarre evidenze clinicamente significative. I dati sperimentali fornirebbero benefici ancora molto limitati, perché troppo costosi da ottenere e disponibili solo per pochi pazienti selezionati.
Gli attuali sistemi di intelligenza artificiale in ambito sanitario nascono per l’analisi di immagini radiografiche o dati di laboratorio, a causa dei vincoli tecnici e normativi dei dispositivi medici. Adesso quegli strumenti stanno evolvendo, consentendo di integrare simultaneamente dati complementari, ad esempio immagini con testi, o immagini combinate con dati genomici, il che riflette meglio i processi decisionali propri degli oncologi (NPJ Prec Oncol. 2023;7:43). Pertanto, secondo Kather, si deve pensare a come implementare strumenti di AI multifunzionali che elaborino informazioni provenienti da più fonti per meglio disegnare e validare gli studi clinici.
I modelli di linguaggio di grandi dimensioni (LLM) possono catturare dati non strutturati e utilizzarli per fornire informazioni utili alla pratica clinica, come fare da guida durante un intervento chirurgico, aiutare nella diagnosi, prevedere la risposta al trattamento, raccomandare strategie terapeutiche, prevedere complicazioni legate al trattamento e fornire ai medici conoscenze aggiuntive (J Cancer Res Clin Oncol. 2023;149:7997–8006). Tuttavia, la qualità di uno strumento di AI dipende dalla qualità dei dati che vi vengono inseriti, e le pregiudiziali razziali, etniche e di genere potrebbero rappresentare un problema. Se nei dati di “addestramento” è presente un bias – ad esempio, le informazioni utilizzate non sono rappresentative, contengono errori o sono incomplete – i sistemi intelligenti apprenderanno e replicheranno tali schemi distorti, portando a risultati sbagliati o discriminatori (Sci. 2024;6:3).
In altre parole, ha spiegato Kather, se usiamo Chatgpt chiedendogli di operare una diagnosi e stabilire una terapia inserendo solo i dati grezzi di un paziente, avremo indietro informazioni ancora del tutto generiche, inutilizzabili. Se invece, per esempio, la informassimo sulle linee guida ESMO sul carcinoma polmonare e poi, inseriti i dati di un paziente, chiedessimo un aiuto sulla base di quelle linee guida, allora sì che otterremmo risposte interessanti.
