l’IA ha trasformato il modo di lavorare in radiologia clinica, ma ha fatto emergere una criticità fondamentale che chiama in causa direttamente i fisici medici: la variabilità e la mancanza di standardizzazione dei dati.
Nel 2016 si pronosticava la fine della radiologia clinica convinti che il deep learning avrebbe superato i professionisti umani in pochi anni. Oggi, a distanza di quasi un decennio, sappiamo che la realtà è ben diversa: l’IA ha trasformato il nostro modo di lavorare, ma ha fatto emergere una criticità fondamentale che chiama in causa direttamente noi fisici medici: la variabilità e la mancanza di standardizzazione dei dati.
Scanner differenti, protocolli eterogenei e algoritmi di ricostruzione proprietari producono immagini diverse. Quando un modello di IA viene addestrato su un set di dati e poi implementato su un'apparecchiatura locale, il comportamento dell'algoritmo può diventare imprevedibile. Lo dimostrano recenti studi condotti su sistemi di IA commerciali per la rilevazione di aneurismi e nello scoring del rischio mammografico, dove variazioni nei parametri di scansione o persino semplici aggiornamenti software possono alterare drasticamente le performance diagnostiche dell’IA, lasciando inalterato l'occhio clinico del medico.
Il ruolo chiave della Fisica Medica nel QA dell'IA
Storicamente, il controllo di qualità e la caratterizzazione delle macchine radiogene sono stati il fulcro dell'attività del fisico medico. Tuttavia, con l'integrazione pervasiva dell'IA nei processi di acquisizione e ricostruzione, il perimetro del QA si è evoluto: non basta più verificare le prestazioni fisiche della macchina, bisogna validare la stabilità e l'affidabilità end-to-end del sistema integrato (macchina + algoritmo).
Come possiamo superare questo limite e garantire standard di sicurezza elevati prima di esporre i pazienti a potenziali bias o errori algoritmici?
La risposta risiede nell'utilizzo di strumenti di riferimento standardizzati, come i fantocci antropomorfi avanzati di PhantomX. Strumenti in grado di replicare fedelmente l'anatomia umana, l'eterogeneità dei tessuti e le patologie, permettendoci di:
-
Monitorare le performance dell'IA pre e post modifica: verificare l'impatto di qualsiasi aggiornamento hardware/software (aggiornamenti di sistema, sostituzione di tubi radiogeni, cambio di protocollo) senza attendere l'analisi retrospettiva sui dati dei pazienti.
-
Isolare le variabili tecniche: comprendere se una fluttuazione nell'output dell'IA sia dovuta a una deriva fisica dello scanner o a una criticità dell'algoritmo.
-
Costruire un ecosistema di QA solido e indipendente dal vendor: garantire riproducibilità a supporto dei reparti di radiologia e dei programmi di screening.
Grazie a PhantomX, oggi abbiamo a disposizione soluzioni pensate proprio per colmare il divario tra la promessa teorica dell'IA e la realtà clinica quotidiana.
Siamo a disposizione per dimostrazioni, consulenze tecniche e materiale informativo dedicato.
Riferimenti bibliografici
1. Genske et al. (2026), ‘Standardised evaluation and monitoring of site-specific AI performance with physical CT phantoms’, medRxiv, 2026.2007.2001.26357033.
https://doi.org/10.64898/2026.07.01.26357033
2. Goelz et al. (2025), ‘Inconsistency of AI in intracranial aneurysm detection with varying dose and image reconstruction’, Scientific Reports, 15(1):19921. https://doi.org/10.1038/s41598-025-04830-7
3. Alström et al. (2026), ‘Assessing the robustness of AI lesion risk scores at different exposure settings using an anthropomorphic breast phantom’, Radiation Protection Dosimetry, 202(3–4), 220–228. https://doi.org/10.1093/rpd/ncaf166
4. de Vries et al. (2023). ‘Impact of Different Mammography Systems on Artificial Intelligence Performance in Breast Cancer Screening’, Radiology Artificial Intelligence, 5(3):e220146.
https://doi.org/10.1148/ryai.220146
