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.
