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.
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