Utilizzare agenti di intelligenza artificiale nella pratica clinica in Oncologia? Possibile e auspicabile data la grande efficacia che stanno dimostrando, a patto di dotarli di una serie di strumenti specifici e avanzati. Lo sostiene uno studio pubblicato su Nature Cancer.

Nonostante i progressi compiuti con modelli come Med-PaLM M o Med-Gemini, la complessità di sviluppare un LLM di base generalista che sia veramente all’altezza degli strumenti della medicina di precisione rimane una sfida sostanziale. Inoltre, attualmente le politiche normative negli Stati Uniti e nell’Unione Europea limitano l’approvazione di un modello universale di AI multiuso, in quanto per legge i dispositivi medici devono avere un unico scopo.

In questo studio, i ricercatori coordinati da Jakob Nikolas Kather del Department of Medical Oncology, National Center for Tumor Diseases (NCT), Heidelberg University Hospital e dell’Else Kroener Fresenius Center for Digital Health, Technical University Dresden hanno costruito e valutato un agente di intelligenza artificiale su misura per interagire con i dati multimodali dei pazienti e trarne conclusioni attraverso strumenti utilizzati in pratica clinica in oncologia. L’agente utilizza GPT-4 e strumenti multimodali di oncologia di precisione per supportare il processo decisionale clinico personalizzato. Il sistema incorpora trasformatori di visione per rilevare l’instabilità dei microsatelliti e le mutazioni KRAS e BRAF dai vetrini istopatologici, MedSAM per la segmentazione delle immagini radiologiche e strumenti di ricerca basati sul web come OncoKB, PubMed e Google. Valutato su 20 casi realistici di pazienti multimodali, l’agente AI ha utilizzato autonomamente gli strumenti appropriati con un’accuratezza dell’87,5%, ha raggiunto conclusioni cliniche corrette nel 91,0% dei casi e ha citato accuratamente le linee guida oncologiche pertinenti nel 75,5% dei casi. Rispetto al GPT-4 da solo, l’agente AI integrato ha migliorato drasticamente l’accuratezza decisionale dal 30,3% all’87,2%. Questi risultati dimostrano che l’integrazione dei modelli linguistici con l’oncologia di precisione e gli strumenti di ricerca migliorano sostanzialmente l’accuratezza clinica, creando una solida base per l’implementazione di sistemi di supporto oncologico personalizzati guidati dall’AI.

Spiega Jakob Nikolas Kather: “I nostri risultati dimostrano che la combinazione di strumenti di medicina di precisione con un LLM ne aumenta le capacità di risoluzione dei problemi, allineandosi al concetto di utilizzo dei LLM come “motori di ragionamento”. Come abbiamo dimostrato, il GPT-4 da solo genera solo risposte molto generiche o sbagliate. Tuttavia, l’integrazione di tre elementi fondamentali (motore di ricerca, database di conoscenze e strumenti) ci ha permesso di affrontare efficacemente questa limitazione, migliorando notevolmente l’accuratezza e l’affidabilità. Inoltre, l’utilizzo di strumenti presenta diversi altri vantaggi. Nonostante il potenziale sviluppo futuro di un modello di fondazione multimodale medico generalista, la sua efficacia nel rispondere a domande mediche molto specializzate – come la previsione di mutazioni rare o la misurazione dello sviluppo della malattia su scala millimetrica – rimane incerta rispetto a modelli più ristretti e specifici. Inoltre, mantenere l’allineamento di un modello generalista con l’evoluzione delle conoscenze mediche e gli aggiornamenti delle linee guida terapeutiche è impegnativo, in quanto richiede la riqualificazione dei componenti del modello su nuovi dati. Il nostro approccio basato su strumenti, tuttavia, affronta tutti questi problemi. Permette di aggiornare rapidamente le conoscenze mediche semplicemente sostituendo i documenti nel database o le ricerche su Google o PubMed, eliminando la necessità di modificare direttamente il modello centrale. Allo stesso modo, i dispositivi medici di ultima generazione approvati dalle autorità di regolamentazione possono essere inclusi nella nostra configurazione. Inoltre, utilizzando la RAG, il nostro sistema affronta efficacemente una delle principali limitazioni degli attuali LLM, che spesso tendono ad avere allucinazioni, fornendo risposte sbagliate ma apparentemente corrette o plausibili a domande che esulano dalle loro conoscenze. Mitigare questo problema è particolarmente critico in domini sensibili come quello sanitario. Abbiamo dimostrato che il nostro approccio dimostra un’elevata capacità di fornire risposte accurate, supportate da citazioni pertinenti di fonti autorevoli, che facilitano anche un rapido fact-checking in quanto l’agente restituisce l’esatto testo originale dei documenti delle linee guida”.

In sintesi, i ricercatori tedeschi prevedono nel prossimo futuro l’implementazione diffusa di strutture con caratteristiche simili al modello GMAI, con in più la possibilità di accedere a strumenti di medicina di precisione personalizzati per rispondere a qualsiasi tipo di domanda clinica specializzata. Questo approccio presenta molteplici vantaggi. Consente ai modelli di AI medica di assistere i medici nella risoluzione di scenari reali dei pazienti, utilizzando strumenti di medicina di precisione, ognuno dei quali adattato a compiti specifici. Questa strategia consente di aggirare i vincoli di disponibilità dei dati nel settore medico, dove i dati non sono accessibili in modo uniforme in tutte le discipline, impedendo a una singola entità di sviluppare un modello fondamentale onnicomprensivo. Invece, le entità possono sfruttare modelli più piccoli e specializzati sviluppati da coloro che hanno accesso diretto ai rispettivi dati, il che potrebbe migliorare notevolmente la scoperta di opzioni terapeutiche per trattamenti personalizzati. Inoltre, questo approccio modulare consente la validazione, l’aggiornamento e la conformità normativa di ogni strumento. Nei casi in cui gli strumenti esistenti siano insoddisfacenti o del tutto assenti, l’agente potrebbe fare affidamento sulle sue solide conoscenze interne del dominio medico e perfezionare o innovare da zero strumenti completamente nuovi. Questo approccio modulare offre inoltre una spiegabilità di gran lunga superiore rispetto a un modello black-box generalista di grandi dimensioni, in quanto i medici possono esaminare separatamente i risultati di ogni singolo strumento. Conclude Kather: “Il nostro studio potrebbe fungere da modello, fornendo la prova che l’IA medica generalista basata su agenti è a portata di mano”.

Commenta su Linkedin Fotios Loupakis, oncologo e ricercatore: “Questo agente AI (…) fa diagnosi, valuta le immagini e la risposta alle terapie, cerca in letteratura e propone terapie personalizzate… con scelte cliniche corrette nel 91% dei casi. Meglio di me? Sicuro. Meglio dell’oncologo medio? Forse sì. Meglio dell’oncologo bravo? No, ma può metterlo sotto pressione. E qui viene il punto: se ti senti minacciato da una cosa del genere, il problema non è l’AI. Il problema potresti essere tu. O il modo in cui sei stato formato. O il modo in cui ti sei adagiato. Se finora sei stato preparato essenzialmente a sapere la linea guida a memoria, compilare cartelle, seguire protocolli come un criceto sulla ruota e… finire l’ambulatorio, beh… allora sì, l’AI farà meglio di te. Più veloce, più aggiornata, meno stanca. Ma dobbiamo far si che l’oncologia vera resti sempre un’altra cosa. Relazione, intuizione, empatia e anche… disobbedienza intelligente. Dubita di tutti quei compiti che può fare una macchina. Dei mille moduli e delle troppe procedure. Può farlo una macchina? Rifiutati di farlo. L’AI non rimpiazza il medico. Rimpiazza il medico che non sa più pensare. Per gli altri salverà tempo, ridurrà errori e aprirà opzioni. Abbia paura solo chi ha spento il cervello. Chi ha smesso di farsi domande. Chi fa l’esecutore. E magari anche chi non si prende mai la responsabilità di dire: No, questa opzione non la condivido, anche se è nella linea guida”.

Per sfruttare appieno il potenziale degli agenti di IA nel prossimo futuro, sarà fondamentale integrarli il più profondamente possibile nella pratica clinica di routine, idealmente attraverso l’incorporazione diretta nei sistemi informativi clinici esistenti per l’accesso in tempo reale ai dati dei pazienti con un’interruzione minima del flusso di lavoro per i medici. Tuttavia, questo richiede prima di tutto di affrontare molte sfide di implementazione, tra cui l’interoperabilità con i sistemi esistenti, le leggi sulla privacy dei dati anche su cloud, le questioni relative alla responsabilità e all’affidabilità e la necessità di approvazioni normative come dispositivi medici, che richiederanno anche studi di validazione molto più ampi per dimostrare la sicurezza e i benefici nei flussi di lavoro clinici reali. Infine, sarà fondamentale educare i professionisti del settore medico a collaborare efficacemente con gli agenti AI, mantenendo la piena autorità sul processo decisionale clinico finale.