È stato presentato al congresso della European Society for Medical Oncology un progetto che supera i modelli predittivi tradizionali. Un agente orchestratore che integra dati clinici, immagini e linee guida per supportare le decisioni mediche. Presentiamo qui i risultati del primo studio pilota e le sfide future.
L’intelligenza artificiale applicata all’oncologia sta entrando in una nuova fase: dai singoli algoritmi si passa a sistemi di supporto decisionale capaci di orchestrare dati clinici, immagini diagnostiche e linee guida, fornendo indicazioni utili nella pratica clinica. Ne è un esempio il modello di IA sviluppato dall’Istituto Nazionale Tumori e presentato all’Esmo AI & Digital Oncology Congress 2025 che si è tenuto a Berlino.
Si tratta del primo sistema europeo di agentic AI dedicato all’immunoterapia. Il progetto è stato sviluppato dall’ing. Federica Corso all’interno del laboratorio della dott.ssa Arsela Prelaj, oncologo medico presso l’Istituto Nazionale dei Tumori di Milano, in collaborazione con il Politecnico di Milano e nasce con l’obiettivo di rendere le terapie più personalizzate e le decisioni cliniche più mirate.
La tecnologia lavora integrando informazioni cliniche, referti ed esami dei pazienti con le linee guida mediche più aggiornate. In questo modo, lo strumento assiste i medici nell’identificazione del trattamento immunoterapico più efficace per ogni singolo caso. Ne abbiamo parlato con Arsela Prelaj.
I tre mondi dell’intelligenza artificiale
Come spiega l’esperta, esistono tre grandi categorie di intelligenza artificiale che attualmente possono trovare un uso in ambito medico. La prima è l’intelligenza artificiale predittiva: algoritmi addestrati su grandi quantità di dati di diversa natura, progettati per rispondere a quesiti clinici molto precisi e circoscritti.
«Ne sono un esempio gli strumenti usati nella diagnostica per immagini – prendiamo il caso di una Tac ai polmoni – e che ci aiutano a distinguere una lesione benigna da una lesione maligna», spiega Prelaj.
I modelli di fondazione (la seconda categoria di IA) rappresentano un’evoluzione tecnologica rispetto a questi tool specifici. Si tratta di modelli molto più complessi, anch’essi addestrati su una quantità massiccia di dati, che spesso coprono più patologie diverse contemporaneamente.
«Ci consentono, per esempio, di valutare diverse patologie oncologiche. I modelli di fondazione sono stati creati principalmente per estrarre caratteristiche specifiche da nuovi set di dati e per rispondere a più quesiti contemporaneamente (e non solo alla domanda: benigno o maligno, cancro o non cancro). Allo stesso tool si possono porre domande diagnostiche, prognostiche e predittive rispetto alle terapie».
Il terzo stadio evolutivo è quello dell’IA generativa. Questa si basa sui large language models (Llm, modelli addestrati su testi) e sui vision language models (che integrano anche le immagini). La differenza sostanziale rispetto al passato è che questi sistemi non forniscono solo una risposta predittiva, ma sono in grado di generare attivamente nuovi contenuti (testo, immagini ecc.).
L’agentic IA
L’esperta descrive l’IA agentica come un vero e proprio ecosistema dove coesistono le tecnologie precedenti, coordinate da un cuore centrale costituito dai large language models.
«Questi modelli possono attingere a diverse fonti, come i siti internet o le linee guida. Possono essere impiegati sia per compiti amministrativi sia per compiti clinici, fino ad arrivare a suggerire decisioni cliniche (la cui responsabilità finale resta sempre del medico). Diverse agentic AI possono, infine, comunicare tra loro, in un sistema multiagentico».
In sintesi, l’agentic AI agisce come un orchestratore: mette insieme diverse fonti di dati, tool specializzati di IA e linee guida per coordinare le informazioni e suggerire al medico una precisa azione clinica da intraprendere.
Lavori in corso
«Tutto questo apre chiaramente uno scenario molto intrigante dal punto di vista scientifico. Ricordiamo però che l’IA agentica non viene attualmente usata nella pratica clinica, perché questi strumenti devono essere validati».
I lavori sono in corso. Microsoft, per esempio, sta sviluppando una tecnologia chiamata Healthcare Agent Orchestrator, un sistema che utilizza agenti multipli per supportare i Tumor Board. Gli agenti leggono le cartelle, riassumono la storia del paziente, verificano i criteri per i trial clinici e propongono una bozza di piano terapeutico basato sulle linee guida.
In occasione del congresso Esmo AI di Berlino sono state proposte le raccomandazioni per un uso sicuro dei diversi modelli di IA in oncologia. Il documento Elcap (Esmo Guidance on the Use of Large Language Models in Clinical Practice), pubblicato nel 2025 su Annals of Oncology, definisce l’IA agentica come la prossima frontiera tecnologica in oncologia.
Un orchestratore per scegliere l’immunoterapia migliore
Allo stesso congresso, il gruppo di lavoro di Prelaj ha presentato un modello che ha lo scopo di suggerire in modo personalizzato l’immunoterapia più appropriata in base alle caratteristiche e alla storia clinica del paziente. Nello studio presentato i ricercatori hanno usato l’IA per supportare il medico nella scelta dell’immunoterapia nei pazienti con tumore polmonare non a piccole cellule in stadio avanzato.
«Disponiamo di diversi farmaci immunoterapici, per questo abbiamo messo a punto un modello che ci aiuti a prevedere quale terapia possa essere la più efficace, quali tossicità aspettarsi, che tipo di risposta avremo (completa, parziale)».
Il team ha sviluppato un orchestratore centrale (il modello Qwen3-14B). Questo cervello digitale ha il compito di coordinare una serie di strumenti verticali: utilizza Deepseek-r1 per consultare le linee guida mediche, MedGemma per generare report dalle immagini radiologiche e istopatologiche, e HistroBistro per rilevare alterazioni genetiche (come Kras o Braf).
Il sistema è inoltre in grado di prevedere la risposta all’immunoterapia tramite il tool Loris e di aggiornarsi in tempo reale consultando la letteratura scientifica su PubMed.
«Abbiamo usato gli strumenti di IA delle prime due categorie citate, i modelli predittivi e i modelli di fondazione per costruire un’architettura complessa che coordini il tutto. Abbiamo integrato tool per l’analisi delle immagini e delle alterazioni genetiche con le linee guida ufficiali e la ricerca su PubMed, permettendo al sistema di consultare fonti aggiornate in tempo reale».
Testata su una coorte di 20 pazienti reali dell’Istituto, l’IA ha generato 170 affermazioni, poi revisionate da oncologi esperti. Il 78,8% è risultato clinicamente corretto e nessuno degli output riportati è stato considerato dai medici dannoso per il paziente.
I prossimi passi
Lo studio presentato è una proof of concept, o prova di fattibilità, che serve a dimostrare la realizzabilità di una certa idea, in questo caso l’uso dell’IA agentica per indirizzare la scelta terapeutica, su pochi soggetti.
I ricercatori vogliono ora validare il modello in un ampio studio prospettico, che coinvolgerà circa 700 pazienti, per indagare l’effettivo valore aggiunto del loro sistema come supporto al clinico rispetto alla valutazione esclusiva del medico.
Secondo Prelaj, in prospettiva, questa tecnologia potrà essere implementata in tutti gli ospedali, ma l’uso nella pratica clinica richiede la risoluzione di diversi ostacoli.
Ostacoli tecnici, culturali ed etici all’implementazione
Arsela Prelaj evidenzia quello che spesso è il vero collo di bottiglia dell’innovazione: non la tecnologia IA in sé, ma la capacità di farla parlare con i sistemi dell’ospedale (cartella clinica elettronica, Ris/Pacs per la radiologia, Lis per il laboratorio).
Per funzionare l’agentic AI ha bisogno di accedere a tutti i dati del paziente (esami, storia clinica, immagini), che spesso sono sparsi in software diversi e datati. Collegare un agente moderno a programmi vecchi di 10-15 anni è una sfida tecnica enorme rispetto a farlo in una struttura nativa digitale.
L’esperta cita poi un ostacolo culturale. Introdurre l’IA in corsia non significa solo installare un software, ma cambiare il modo di pensare e di lavorare del clinico. Da un lato, si identifica un gap di competenze. Non tutti i medici sono pronti a interagire con algoritmi complessi, dunque c’è bisogno di formazione su come si usa, ma anche su come si interpretano i suggerimenti dell’agente. D’altra parte, se un tool è potente ma difficile da usare o s’inserisce male nel flusso di lavoro viene ignorato. «I clinical usability studies servono proprio a misurare scientificamente l’interazione uomo-macchina per evitare il rigetto della tecnologia».
Prelaj cita poi uno dei punti più delicati da affrontare nello sviluppo di un’IA agentica: la modulazione del controllo. A differenza di un software classico (che fa esattamente ciò che gli dici e basta), un’agentic AI è progettata per ragionare e compiere una serie di passi da sola (cercare sul web, leggere le linee guida, confrontare i dati). Quando viene progettata bisogna quindi definire quanta autonomia lasciarle nel compierli.
La responsabilità clinica
Infine, un tema cruciale nel rapporto tra IA e medicina (e non solo): la responsabilità. «L’ultimo, grande tema è quello dell’affidabilità e della trasparenza. Se già con i modelli tradizionali ci scontriamo con il problema della black box – l’incapacità di vedere come l’algoritmo elabora il dato – con gli agenti la sfida si moltiplica. Questi sistemi operano attraverso una catena di pensieri complessa, un ragionamento articolato che è difficile da validare in ogni suo passaggio logico».
Questa opacità tecnica ha una ricaduta diretta sulla responsabilità medico-legale. Finché non saremo in grado di comprendere e certificare appieno il perché di una decisione algoritmica, l’ultima parola dovrà necessariamente spettare all’uomo.
«La responsabilità rimarrà sempre medica», commenta Prelaj. E conclude con un quesito più che mai pragmatico: se l’IA diventa un dispositivo medico che prende decisioni, chi paga per il suo utilizzo? Il sistema sanitario rimborserà la visita dell’agente?
