Il deep learning sta cambiando la diagnostica per immagini: esami più rapidi, immagini più pulite e, nella TAC, possibilità di ridurre significativamente la dose di radiazioni. Ma il punto più interessante è un altro: mettere il medico nelle condizioni di vedere prima e vedere meglio.
Se avete fatto almeno una volta una risonanza magnetica conoscete probabilmente il rituale. Vi sdraiate, vi sistemano con una precisione che comincia già a farvi sospettare che non potrete più muovervi per un po’, poi il lettino scivola dentro una specie di tunnel tecnologico da qualche milione di euro e arriva la frase inevitabile: «Adesso non si muova». Perfetto. Dopo circa diciassette secondi vi prude il naso. Poi parte il concerto: TRRRRRR, TAC TAC TAC, WOOOOOM, TRRRRRR. A quel punto iniziate a chiedervi se state facendo una risonanza magnetica o se vi hanno accidentalmente parcheggiato dentro una pressa industriale. La buona notizia è che l’Intelligenza Artificiale sta cominciando a cambiare anche questo settore e, a differenza di alcune applicazioni dell’AI che servono principalmente a produrre fotografie di gattini vestiti da Napoleone o esseri umani con un numero creativo di dita, qui le conseguenze possono essere decisamente più interessanti.
Applicando algoritmi di deep learning alla diagnostica per immagini è infatti possibile intervenire sulla velocità di acquisizione, sulla ricostruzione delle immagini, sul rumore, sugli artefatti e, nel caso della tomografia computerizzata, anche sulla quantità di radiazioni necessaria per ottenere un’immagine clinicamente utilizzabile. La questione, però, va spiegata bene perché quando leggiamo “Intelligenza Artificiale applicata alla radiologia” siamo portati a immaginare un computer che osserva la TAC, emette un bip e comunica al paziente: «Signor Rossi, brutte notizie». Non è questo, almeno oggi, l’aspetto più interessante della rivoluzione in corso.
L’AI non deve necessariamente fare la diagnosi per essere rivoluzionaria
Una delle applicazioni più concrete dell’AI nell’imaging medico avviene prima ancora che il radiologo inizi a interpretare l’esame. Una TAC o una risonanza magnetica, infatti, non producono magicamente la bella immagine anatomica che vediamo sul monitor del medico: raccolgono enormi quantità di dati che devono successivamente essere trasformati matematicamente in immagini. Ed è proprio in questa fase che il deep learning sta mostrando capacità notevoli.
Possiamo fare un paragone molto semplificato con una fotografia scattata di notte. Quando entra poca luce aumenta il rumore dell’immagine; possiamo raccogliere più luce aumentando il tempo di esposizione, ma se il soggetto si muove avremo altri problemi. Nell’imaging medico il principio fisico è enormemente più complesso, ma esiste un problema concettualmente simile: per ottenere immagini dettagliate dobbiamo raccogliere abbastanza informazioni. Nella risonanza magnetica questo significa spesso dedicare tempo all’acquisizione; nella TAC entra in gioco anche una variabile ancora più delicata, cioè la quantità di radiazioni ionizzanti utilizzata.
Il deep learning permette di modificare parzialmente questa equazione. Gli algoritmi possono imparare a ricostruire immagini diagnostiche distinguendo meglio il segnale utile dal rumore e sfruttando in maniera più efficiente i dati acquisiti. In altre parole, invece di ragionare soltanto secondo la logica “raccogliamo più informazioni così vedremo meglio”, possiamo iniziare a ragionare anche in termini di “utilizziamo molto meglio le informazioni che abbiamo raccolto”. Sembra una differenza quasi filosofica. In realtà può significare minuti in meno dentro una risonanza o una dose inferiore durante una TAC.
Nella risonanza magnetica l’AI può accorciare davvero l’esame
Ed è qui che cominciano ad apparire numeri interessanti. In uno studio pubblicato nel 2026 sulla risonanza magnetica cerebrale a basso campo, una sequenza convenzionale è stata confrontata con una acquisizione accelerata e ricostruita attraverso deep learning. Il tempo di acquisizione è passato da 6 minuti e 44 secondi a 3 minuti e 6 secondi, con risultati favorevoli anche in termini di rapporto segnale-rumore e qualità percepita delle immagini. Un altro studio sull’impiego di protocolli accelerati nella neuroradiologia clinica ha registrato una riduzione media del tempo di scansione del 51,6%, mantenendo sostanzialmente la qualità diagnostica.
Questo è molto più importante di quanto possa sembrare. Ridurre il tempo non significa soltanto consentire teoricamente a una struttura di eseguire più esami durante la giornata. Significa anche diminuire il periodo durante il quale il paziente deve restare perfettamente immobile. E chiunque abbia fatto una RM sa che l’ordine «non si muova» possiede una curiosa proprietà psicologica: genera immediatamente la necessità di muovere almeno sette parti del corpo contemporaneamente. Se il paziente si muove meno, però, diminuiscono gli artefatti da movimento; se diminuiscono gli artefatti, l’immagine può risultare più pulita e l’interpretazione più affidabile. Il vantaggio diventa ancora più evidente con bambini, anziani, persone claustrofobiche, pazienti doloranti o soggetti che hanno semplicemente difficoltà a mantenere una posizione per periodi prolungati.
Un esempio particolarmente interessante è Sonic DL di GE HealthCare, una tecnologia di deep learning sviluppata inizialmente soprattutto per l’imaging cardiaco. Il cuore presenta infatti un piccolo inconveniente per chi deve fotografarlo con precisione: continua ostinatamente a muoversi. La risonanza cardiaca deve quindi sincronizzare l’acquisizione con il battito e spesso richiede al paziente diverse apnee. Sonic DL utilizza il deep learning per accelerare drasticamente alcune acquisizioni e GE HealthCare dichiara, per specifiche applicazioni, accelerazioni fino a 12 volte e riduzioni del tempo di scansione che possono raggiungere l’83%. Le evoluzioni della tecnologia hanno esteso questo approccio anche all’imaging tridimensionale di cervello, colonna vertebrale, apparato muscolo-scheletrico e altre regioni anatomiche.
Questo naturalmente non significa che una qualsiasi risonanza che oggi dura trenta minuti domani ne durerà automaticamente quattro. Sarebbe una conclusione sbagliata. Il risultato dipende dal tipo di apparecchiatura, dalla sequenza, dal distretto anatomico, dalla domanda clinica, dal protocollo utilizzato e dalle caratteristiche del paziente. La cosa importante è la direzione: una parte significativa del tempo necessario a ottenere determinate immagini può essere recuperata utilizzando algoritmi capaci di ricostruirle efficacemente partendo da acquisizioni accelerate.
Nella TAC la partita è leggermente diversa
Quando passiamo dalla risonanza magnetica alla TAC dobbiamo cambiare prospettiva. Le moderne TC sono già straordinariamente rapide e possono acquisire determinati distretti anatomici in pochissimo tempo. Il vantaggio dell’AI non consiste quindi necessariamente nel trasformare un esame di venti minuti in uno di cinque. Uno dei campi più interessanti è piuttosto ottenere immagini diagnostiche di elevata qualità utilizzando meno radiazioni.
La relazione è relativamente intuitiva: se riduciamo troppo la dose di raggi X aumenta il rumore dell’immagine e possiamo perdere informazioni importanti. Gli algoritmi di Deep Learning Image Reconstruction, spesso indicati con la sigla DLIR o più genericamente DLR, cercano proprio di intervenire su questo problema ricostruendo immagini a basso rumore anche partendo da acquisizioni effettuate con dosi inferiori.
Una revisione sistematica pubblicata nel 2026, basata su trenta studi, ha trovato riduzioni della dose associate alle tecniche di deep learning reconstruction comprese indicativamente tra il 34% e l’89%, con una media intorno al 58%. È però importante non trasformare questa cifra nel classico titolo “L’AI riduce del 58% le radiazioni della TAC”, perché sarebbe scientificamente scorretto. Gli studi analizzano protocolli, apparecchiature, popolazioni e distretti anatomici differenti. Un’altra revisione recente ha confermato che l’AI può consentire riduzioni clinicamente significative della dose in numerose applicazioni TC mantenendo un’adeguata qualità diagnostica, ma ha evidenziato anche i limiti delle evidenze disponibili: molti studi sono monocentrici, le tecnologie cambiano da un produttore all’altro e, quando si scende verso dosi estremamente basse, bisogna prestare particolare attenzione alla possibilità di perdere lesioni molto piccole.
Un esempio concreto arriva da uno studio pubblicato su Scientific Reports nel giugno 2026 sull’angiografia TC delle arterie polmonari. Dopo l’introduzione della ricostruzione mediante deep learning, nel gruppo clinico analizzato la dose di radiazioni è diminuita del 41%, passando da una dose efficace mediana di circa 1,69 mSv a 0,99 mSv, senza una riduzione della qualità diagnostica delle immagini. In un altro grande studio, che ha coinvolto oltre 13.000 pazienti sottoposti a differenti protocolli TC, la ricostruzione mediante deep learning è stata associata a una riduzione complessiva della dose di circa il 20% rispetto alle tecniche di ricostruzione iterativa, insieme a valutazioni favorevoli della qualità dell’immagine.
Ed è proprio qui che bisogna resistere alla tentazione delle percentuali miracolose. Non esiste un numero universale del tipo “con l’AI la TAC utilizza il 70% di radiazioni in meno”. Dipende dalla macchina, dal protocollo, dal paziente, dal distretto anatomico e soprattutto dalla domanda clinica. La medicina seria è molto meno spettacolare dei titoli sui social, ma fortunatamente è anche molto più utile.
E in Italia? Non dobbiamo andare nella Silicon Valley
La parte forse più interessante è che non stiamo parlando soltanto di laboratori sperimentali americani. Alcune di queste tecnologie sono già presenti negli ospedali italiani. Un caso significativo è l’IRCCS Ospedale Galeazzi-Sant’Ambrogio di Milano.
Già con l’apertura della nuova struttura erano state introdotte apparecchiature diagnostiche dotate di sistemi di Intelligenza Artificiale e deep learning. Tra queste figura Revolution Ascend di GE HealthCare, una TC che utilizza tecnologie avanzate per ottimizzare il posizionamento del paziente, la ricostruzione delle immagini, il workflow e la gestione della dose radiogena. Il Gruppo San Donato spiegava già nel 2022 come alcune delle apparecchiature installate nel nuovo ospedale fossero dotate di sistemi AI capaci di contribuire alla riduzione della dose, dei tempi di esecuzione e all’ottimizzazione del posizionamento.
La dotazione tecnologica si è ulteriormente evoluta con sistemi TC spettrali e risonanze magnetiche ad alto campo, e il Galeazzi-Sant’Ambrogio ha comunicato anche l’introduzione di Sonic DL per applicazioni di risonanza magnetica cardiaca. L’obiettivo è proprio quello di ottenere immagini diagnostiche di elevata qualità in tempi molto inferiori, riducendo in specifici protocolli la necessità delle ripetute apnee normalmente richieste al paziente. Un vantaggio particolarmente interessante per chi soffre di problemi respiratori, presenta aritmie o ha difficoltà a collaborare durante esami relativamente lunghi.
Quindi no, non stiamo descrivendo l’ospedale del 2045. Alcune di queste cose stanno già succedendo a Milano.
Ma un’immagine più bella significa automaticamente una diagnosi migliore?
No. E questo è probabilmente il passaggio più importante dell’intero discorso. Migliorare il rapporto segnale-rumore, diminuire gli artefatti e aumentare la qualità percepita dell’immagine può mettere il radiologo nelle condizioni di distinguere meglio strutture anatomiche e anomalie, ma un’immagine esteticamente più pulita non equivale automaticamente a una diagnosi corretta.
Gli algoritmi devono essere validati clinicamente e bisogna verificare che il processo di ricostruzione non elimini dettagli significativi insieme al rumore o, problema ancora più delicato, introduca caratteristiche artificiali. Qui non vogliamo assolutamente che l’Intelligenza Artificiale dimostri creatività. Se chiediamo a un generatore di immagini di disegnare un castello medievale e lui aggiunge una torre che non è mai esistita, possiamo anche perdonarlo. Se un sistema utilizzato per ricostruire una TAC decidesse di essere artisticamente ispirato, avremmo un problema leggermente più serio.
È per questo che gli algoritmi destinati all’imaging medico devono essere validati, certificati, monitorati e inseriti all’interno di protocolli clinici controllati. L’AI può elaborare informazioni con una velocità impressionante, ma la responsabilità dell’interpretazione clinica rimane un’altra cosa.
Forse continuiamo a fare la domanda sbagliata
Ogni volta che parliamo di Intelligenza Artificiale e medicina finiamo inevitabilmente per chiederci: «L’AI sostituirà il radiologo?». Probabilmente è una delle domande meno interessanti che possiamo fare. Sarebbe molto più utile chiedersi: quanto può diventare efficace un radiologo che dispone di strumenti AI realmente affidabili?
Il medico porta nel processo qualcosa che l’algoritmo non possiede: anamnesi, contesto clinico, esperienza, capacità di correlare informazioni differenti, conoscenza delle patologie e soprattutto responsabilità della decisione. L’AI, al contrario, può fare straordinariamente bene altre cose: elaborare enormi quantità di dati, ridurre il rumore, ottimizzare parametri, misurare strutture, confrontare esami, identificare pattern sospetti e automatizzare operazioni ripetitive.
Il risultato più interessante non è quindi AI contro medico, ma medico più AI contro malattia. E personalmente trovo la seconda competizione decisamente più sensata.
C’è poi un problema del quale parliamo poco: il tempo
Una risonanza magnetica è una risorsa estremamente costosa. Se determinate sequenze possono essere eseguite in metà tempo mantenendo la qualità diagnostica necessaria, la stessa apparecchiatura può teoricamente eseguire più esami durante la giornata. Naturalmente questo non significa dimezzare automaticamente le liste d’attesa: un esame comprende preparazione del paziente, anamnesi, posizionamento, eventuale mezzo di contrasto, controlli di sicurezza, acquisizione e successiva refertazione. Ma aumentare l’efficienza di uno dei passaggi più importanti significa comunque aumentare la capacità potenziale del sistema sanitario.
E c’è anche il tempo diagnostico propriamente detto. Gli algoritmi di AI possono affiancare il radiologo nella segmentazione automatica degli organi, nella misurazione delle lesioni, nel confronto con esami precedenti e nell’identificazione di anomalie che meritano particolare attenzione. In determinati contesti possono contribuire anche alla prioritizzazione degli esami più urgenti. L’obiettivo corretto non dovrebbe essere fare una diagnosi “veloce al posto del medico”, ma permettere al medico di arrivare più velocemente a una diagnosi accurata.
È una differenza di poche parole, ma è tutta la questione.
L’AI migliore potrebbe essere quella che non vedremo mai
Forse il futuro dell’Intelligenza Artificiale in medicina sarà molto meno cinematografico di quanto immaginiamo. Non entreremo necessariamente in ospedale trovando un robot con il camice che ci accoglie dicendo: «Buongiorno, ho analizzato il suo organismo. Le rimangono 37 anni, quattro mesi e dodici giorni». Probabilmente incontreremo ancora un tecnico, ci sdraieremo ancora sul lettino, entreremo ancora dentro quella macchina e sentiremo ancora il magnifico concerto industriale della risonanza: TRRRRR, WOOOOM, TAC TAC TAC.
Solo che potrebbe durare meno.
E mentre noi saremo lì immobili, impegnati principalmente a pensare a quanto improvvisamente ci pruda il naso, una rete neurale potrebbe lavorare dietro le quinte per ricostruire immagini più pulite, eliminare parte del rumore, correggere artefatti e permettere al medico di lavorare su informazioni migliori. Nella TAC potrebbe contribuire a ottenere quelle informazioni utilizzando una dose inferiore di radiazioni; nella risonanza potrebbe permettere di raccogliere i dati necessari molto più rapidamente; nella fase successiva altri sistemi potranno aiutare il radiologo a misurare, confrontare, evidenziare e ordinare ciò che merita maggiore attenzione.
Non significa consegnare la diagnosi a una macchina. Significa dare al medico occhi tecnologicamente migliori.
Ed è forse una delle applicazioni dell’Intelligenza Artificiale di cui dovremmo parlare molto più spesso. Perché mentre continuiamo a discutere se l’AI ci ruberà il lavoro, silenziosamente sta imparando a fare qualcosa di decisamente più interessante: aiutarci a vedere prima, più velocemente e con maggiore precisione ciò che, nel nostro corpo, non dovrebbe esserci.
______________________________________
Fonti:
PubMed – Deep Learning Reconstruction e riduzione della dose nella TC Revisione recente sulle applicazioni cliniche della ricostruzione AI e sulla possibilità di ridurre la dose mantenendo qualità diagnostica. PubMed – Deep Learning CT Reconstruction
Scientific Reports / Nature – Deep learning nella TC angiografica polmonare Studio 2026 che riporta una riduzione della dose di radiazioni del 41% nel protocollo analizzato, mantenendo la qualità diagnostica. Scientific Reports – Deep Learning CT Reconstruction
PubMed – Studio su oltre 13.000 pazienti sottoposti a TC Analisi su 13.060 pazienti relativa a deep learning reconstruction, qualità dell’immagine e riduzione della dose. PubMed – Studio multicentrico/ampia casistica TC
Applied Sciences – Systematic Review sulla riduzione della dose TC Revisione sistematica di 30 studi sull'impiego della Deep Learning Reconstruction per ottenere immagini diagnostiche con dosi inferiori. MDPI – Deep Learning Reconstruction Systematic Review
PubMed – Deep learning e accelerazione della RM cerebrale Studio 2026 nel quale l'acquisizione analizzata passa da 6 minuti e 44 secondi a 3 minuti e 6 secondi mediante acquisizione accelerata e ricostruzione DL. PubMed – Accelerated Brain MRI
PubMed Central – Accelerazione della RM neuroradiologica Studio sull'introduzione di protocolli accelerati mediante deep learning nella pratica clinica, con una riduzione media del tempo di scansione riportata del 51,6%. PMC – Deep Learning Accelerated MRI
GE HealthCare – Sonic DL Fonte ufficiale del produttore sulla tecnologia di deep learning utilizzata per accelerare le acquisizioni di risonanza magnetica. Utile per spiegare il funzionamento, distinguendo naturalmente i dati dichiarati dal produttore dalle evidenze indipendenti. GE HealthCare – Sonic DL
GE HealthCare – AIR Recon DL Tecnologia AI per la ricostruzione delle immagini RM, progettata per intervenire su rumore, nitidezza e qualità dell'immagine. GE HealthCare – AIR Recon DL
FDA – Sonic DL Documentazione regolatoria statunitense relativa alla tecnologia Sonic DL. È una fonte particolarmente utile perché consente di non basare l'articolo esclusivamente sul materiale marketing del produttore. FDA – Sonic DL 510(k) documentation
Gruppo San Donato – Ospedale Galeazzi-Sant’Ambrogio Fonte diretta del gruppo ospedaliero sull'introduzione delle nuove tecnologie diagnostiche e sull'impiego dell'Intelligenza Artificiale per ottimizzazione dell'imaging, dose, tempi e posizionamento del paziente. Gruppo San Donato – Innovazione al Galeazzi-Sant’Ambrogio
Tecnomedicina – TC Revolution Ascend al Galeazzi-Sant’Ambrogio Approfondimento sull'installazione della TAC di nuova generazione dotata di tecnologie AI e deep learning presso l'ospedale milanese. Tecnomedicina – TAC di ultima generazione al Galeazzi-Sant’Ambrogio
Tecnomedicina – nuove TC e RM al Galeazzi-Sant’Ambrogio Approfondimento successivo sull'evoluzione della dotazione tecnologica dell'ospedale, compresi sistemi TC e RM di ultima generazione. Tecnomedicina – TC e RM di ultima generazione al Galeazzi
