Salute

Tumore polmonare, revisione sull’IA per classificare i biomarcatori

La revisione di 82 studi segnala risultati promettenti, ma poche verifiche esterne e limiti che ostacolano l’impiego clinico.

18 novembre 2026 · 02:23 (ora italiana) · 1 min di lettura

A cura della Redazione CurioMondo

Microscopio e materiali di patologia digitale, illustrazione IA della ricerca sui biomarcatori polmonari.
Illustrazione editoriale CurioMondo generata con IA per rappresentare questa notizia; non è una fotografia documentaria.
Il punto in tre dati
82studi nella revisione
13validazioni esterne esplicite
NSCLCtumore polmonare non a piccole cellule

L’intelligenza artificiale mostra potenzialità nella classificazione dei biomarcatori del tumore polmonare non a piccole cellule, ma la qualità delle verifiche resta disomogenea. Una revisione su Discover Artificial Intelligence analizza 82 studi e richiama la distanza fra prestazioni sperimentali e utilità clinica dimostrata.

I lavori considerati riguardano previsione della sopravvivenza, risposta ai trattamenti, identificazione dei biomarcatori, immagini diagnostiche e integrazione con informazioni molecolari. Fra i bersagli più frequentemente studiati figurano PD-L1 ed EGFR, rilevanti per la caratterizzazione della malattia e per alcune scelte terapeutiche.

Le reti convoluzionali sono l’architettura più comune, presenti in 28 studi; altri venti utilizzano modelli ibridi o multimodali. Alcuni risultati mostrano un’elevata concordanza interna con le valutazioni dei patologi. Un test interno, però, può non rappresentare il comportamento del sistema su pazienti, strumenti e ospedali differenti.

Solo tredici degli ottanta studi di modellazione predittiva riportano una verifica su una coorte esterna esplicitamente indipendente. La maggioranza presenta inoltre un rischio di distorsione alto o non chiaro. Le popolazioni provengono soprattutto da Cina e Stati Uniti, mentre altre aree geografiche sono meno rappresentate.

Gli autori chiedono studi prospettici in più istituzioni, protocolli di acquisizione armonizzati e una descrizione più completa dell’incertezza. Il lavoro non sostiene che un algoritmo possa sostituire oggi tutti gli esami dei biomarcatori: mostra invece quali controlli servano per capire se le buone prestazioni riportate possano tradursi in decisioni affidabili nella pratica oncologica.

Fonti consultate