Nell’ultimo anno l’Intelligenza Artificiale (IA) sta prendendo sempre più spazio in campo scientifico, e il dibattito è acceso circa le sue potenzialità e i suoi limiti. Gli studi presenti sono limitati, e permangono sfide significative per l’impiego dell’IA nella pratica clinica; tali argomenti erano già discussi nel 2015¹. Nel lavoro di Brower et al. è stata valutata l’utilità dell’IA già a partire dalla fase di studio della lesione in vista della seduta in sala endoscopica, anche come supporto alla ROSE (Rapid On-Site Evaluation). In una review del 2015 di Mazanti Cold et al. sono stati selezionati 20 studi clinici su 1.196 relativi allo studio anatomico della sede della lesione, alla diagnostica EBUS (Endobronchial Ultrasound) e alla valutazione ROSE². L’IA si è dimostrata talvolta superiore all’uomo. Particolarmente interessante è la navigazione bronchiale, che integrata con IA migliora significativamente le prestazioni rispetto alle tecniche tradizionali. Si sottolineava però come tale tecnica integrata debba essere provata sul campo, in quanto gli studi sono relativi a contesti simulati.
La review di Sebastian Winiarski et al. pubblicata nel 2025 e oggetto del presente commento (“Integrating Artificial Intelligence in Bronchoscopy and Endobronchial Ultrasound (EBUS) for lung cancer diagnosis and staging: a comprehensive review”) esplora questo campo in maniera esaustiva.
Questo studio esamina i modelli di Intelligenza Artificiale applicati alla broncoscopia, e in particolare all’EBUS, con l’obiettivo di integrare i progressi dell’ingegneria nella pratica clinica. Il campo maggiormente promettente è quello oncologico, dallo studio della lesione al supporto in corso di endoscopia. Attraverso un’analisi sistematica delle soluzioni attuali, questo lavoro apre la strada a nuove tecnologie capaci di trasformare concretamente la gestione quotidiana dei pazienti. Alcune nuove prospettive sono l’utilizzo di luce bianca e di autofluorescenza con il fine di ridurre la variabilità tra gli osservatori e standardizzare l'identificazione di lesioni precancerose. Vi sono algoritmi avanzati gestiti dall’IA che analizzano in tempo reale le immagini ecografiche (B-mode ed elastografia) per valutare la possibile malignità dei linfonodi. Piattaforme sempre più tecnologiche permettono un utilizzo sempre più preciso del già noto TC Cone-Beam (CBCT) nell’ambito delle lesioni periferiche, per navigare con precisione verso le stesse lesioni periferiche, aumentando significativamente la resa diagnostica rispetto ai metodi convenzionali.
L’IA in campo ROSE sembra essere promettente. L’integrazione di algoritmi e di modelli basati su reti neurali ha dimostrato una precisione superiore al 98% nel riconoscere le cellule maligne, mostrando una concordanza quasi assoluta con i citopatologi più esperti nell'identificare i diversi sottotipi di tumore polmonare. L'efficienza di questi sistemi può essere ulteriormente potenziata da tecnologie di preparazione automatizzata del vetrino (come il sistema ROSE Prep™) o dall'uso di immagini a scansione intera (Whole Slide Imaging), che alleggeriscono il carico di lavoro dei patologi e velocizzano l'analisi dei dati senza compromettere l’accuratezza diagnostica. L'uso di piattaforme in “cloud” per l'analisi remota e l’integrazione di dati morfologici con biomarcatori sierici e tecniche di microscopia avanzata promettono di innalzare ulteriormente gli standard diagnostici. Tuttavia, la conferma definitiva della diagnosi e la gestione clinica, terapeutica e di follow-up del paziente oncologico restano saldamente affidate all'esperienza, alla competenza ed alla sensibilità del medico specialista.
Un altro campo promettente è quello radiologico associato allo screening e alla diagnosi precoce del tumore del polmone.
Sebbene l'esperienza del radiologo rimanga il pilastro insostituibile della diagnosi, i modelli di machine learning sono diventati alleati preziosi nell'analisi di TC e PET. Queste tecnologie permettono di estrarre informazioni cruciali sulla localizzazione, la morfologia e l'attività metabolica del tumore, elementi fondamentali per una stadiazione accurata del cancro al polmone. L'IA eccelle proprio nel gestire l'enorme mole di dati generata nella pratica quotidiana, riuscendo a rilevare dettagli che potrebbero sfuggire anche all'osservatore più esperto.
Una frontiera entusiasmante è rappresentata dalla radiomica applicata alla TC: potrebbe risultare possibile prevedere l'espressione di biomarcatori molecolari (come PD-L1 o EGFR) e integrare i risultati funzionali (come i parametri spirometrici), aprendo la strada a una sorta di “biopsia virtuale" non invasiva. L'applicazione dell'IA alla TC torace a basso dosaggio (LDCT- Low Dose Computed Tomography) sta rivoluzionando lo screening e la diagnosi precoce, e offre soluzioni economicamente più sostenibili, rendendo gli interventi più tempestivi, personalizzati, mirati e, in definitiva, più efficaci ai fini della prognosi.
Sul fronte della formazione, queste tecnologie potrebbero segnare la fine dell’epoca in cui l’apprendimento si misurava solo sulla quantità di esami svolti, inaugurando un modello basato sulle competenze reali. Attraverso valutazioni oggettive e standardizzate, l'IA permette infatti di certificare le abilità effettive dei medici in formazione. Resta tuttavia un limite: finora questi sistemi sono stati testati prevalentemente in ambienti simulati, confermando che la competenza e l’esperienza dei tutor rimane tuttora un pilastro insostituibile nel tirocinio sul campo.
Allo stato dell’arte siamo ancora in una fase sperimentale: i dati oggi disponibili derivano per lo più da studi piccoli e isolati, condotti in condizioni ideali che non rispecchiano la realtà clinica. Manca ancora una validazione su larga scala, anche se sembra ormai appurato che l’IA possa essere di grande aiuto nella gestione dei casi clinici, soprattutto se complessi.
Nonostante i successi tecnologici, esiste ancora un divario tra applicazione clinica e teoria. Al momento, l’applicazione della IA è testata nelle così dette “condizioni ideali”, ossia studi condotti su singoli centri, dati retrospettivi e immagini accuratamente selezionate che non tengono conto della complessità dei casi reali.
Perché queste tecnologie diventino davvero uno standard nell'oncologia toracica sono necessari studi multicentrici prospettici, una reale trasparenza sui dati e una seria valutazione dei costi, delle normative e dell'effettiva utilità pratica al fine di potere offrire al paziente il miglior livello assistenziale possibile.

 Bibliografia

1.  Brower D, Sengupta S, Bhatt AN, et al. Artificial Intelligence in Interventional Pulmonology. Ther Adv Pulm Crit Care Med 2025:20:29768675251353390
2. Mazanti Cold K, Vamadevan A, Laursen CB, et al. Artificial intelligence in bronchoscopy: a systematic review. Eur Respir Rev 2025;34:240274.