Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
AI nel settore sanitario

Intelligenza artificiale in radiologia: come funziona, applicazioni, benefici e limiti

Come l'intelligenza artificiale aiuta la radiologia: algoritmi, applicazioni in TAC, risonanza e mammografia, benefici reali, rischi e regole.

Daniele Della Corte
Novembre 22, 2026
Lettura: 17 min
Medico che analizza la radiografia di una mano, esempio di diagnostica per immagini supportata dall'intelligenza artificiale
fonte: pexels 27402083

L’intelligenza artificiale in radiologia è probabilmente l’esempio più concreto di come l’AI stia entrando davvero negli ospedali, e non solo nei comunicati stampa. Ogni giorno vengono eseguiti milioni di esami di diagnostica per immagini, tra radiografie, TAC, risonanze magnetiche, mammografie ed ecografie, e ognuno di questi esami produce dati visivi che un medico deve leggere, interpretare e trasformare in un referto. È proprio qui che gli algoritmi di apprendimento automatico hanno trovato il loro terreno ideale: tante immagini, compiti ripetitivi, carichi di lavoro crescenti e la necessità di non perdere nemmeno un dettaglio.

In questa guida trovi una panoramica completa e ragionata: come funzionano gli algoritmi che analizzano le immagini mediche, quali sono le applicazioni già in uso nei reparti, cosa dicono gli studi sui benefici reali, quali limiti e rischi esistono, come funziona il quadro normativo europeo e cosa cambia per medici, tecnici e pazienti. L’obiettivo è darti gli strumenti per capire il fenomeno senza entusiasmi ingenui e senza allarmismi.

Partiamo dalle basi.

Che cosa significa usare l’intelligenza artificiale in radiologia

Quando si parla di AI in radiologia si intende l’uso di software basati su modelli di apprendimento automatico, in particolare di deep learning, per supportare una o più fasi del percorso diagnostico per immagini. Queste fasi vanno dalla prenotazione e dall’acquisizione dell’esame fino alla lettura, alla refertazione e al follow-up del paziente. L’AI, quindi, non è un unico strumento, ma una famiglia di applicazioni molto diverse tra loro.

La radiologia è da sempre una disciplina fortemente digitale. Da decenni le immagini vengono archiviate nei sistemi PACS (Picture Archiving and Communication System) in formato DICOM, uno standard che rende i dati leggibili da macchine diverse. Questa digitalizzazione precoce ha creato enormi archivi di esami già refertati, che sono esattamente il tipo di materiale di cui un algoritmo ha bisogno per imparare.

Non sorprende quindi che, nelle liste dei dispositivi medici basati sull’AI autorizzati dalla FDA statunitense, la radiologia rappresenti da anni la grande maggioranza dei prodotti, circa tre quarti del totale secondo le analisi pubblicate dalle riviste di settore.

La differenza tra rilevare, classificare e misurare

Per capire cosa fa davvero un software di AI radiologica è utile distinguere tre compiti principali. Il primo è la rilevazione (detection): l’algoritmo individua un’area sospetta, per esempio un nodulo polmonare su una TAC del torace, e la evidenzia con un riquadro o una mappa colorata. Il secondo è la classificazione: il sistema assegna l’immagine o la lesione a una categoria, come “probabilmente benigna” o “da approfondire”. Il terzo è la segmentazione con misurazione: il software traccia con precisione i contorni di un organo o di una lesione e ne calcola volume, diametro o densità.

A questi compiti se ne aggiungono altri meno visibili, come la priorità della lista di lavoro (triage), il miglioramento della qualità dell’immagine e la generazione di bozze di referto.

Ognuno ha requisiti, rischi e benefici diversi.

Supporto alla decisione, non sostituzione

Un punto va chiarito subito: nella pratica clinica attuale la quasi totalità degli strumenti di AI radiologica è pensata come supporto al medico, non come lettore autonomo. Il radiologo resta responsabile della diagnosi e del referto, e l’algoritmo funziona come un secondo paio di occhi molto veloce, instancabile ma privo del contesto clinico complessivo del paziente.

Esistono sperimentazioni in cui l’AI sostituisce uno dei due lettori, per esempio negli screening mammografici europei dove tradizionalmente le immagini sono lette da due radiologi, ma anche in questi casi un medico resta sempre nel processo.

Come funzionano gli algoritmi che leggono le immagini mediche

La tecnologia alla base della maggior parte di questi strumenti è la stessa che permette a uno smartphone di riconoscere un volto o a un’auto di leggere un cartello stradale. Si tratta della visione artificiale, cioè la branca dell’AI che insegna alle macchine a interpretare le immagini. Nel caso medico, però, le esigenze di precisione e di affidabilità sono enormemente più alte.

Reti neurali convoluzionali e modelli più recenti

Per anni il cavallo di battaglia è stato rappresentato dalle reti neurali convoluzionali, architetture capaci di riconoscere pattern visivi a livelli crescenti di astrazione: prima bordi e texture, poi forme, infine strutture anatomiche e anomalie. Una variante molto usata per la segmentazione è U-Net, nata proprio in ambito biomedico nel 2015 e diventata uno standard per delineare organi e lesioni.

Negli ultimi anni si sono aggiunti i modelli basati su transformer applicati alle immagini (vision transformer) e i cosiddetti foundation model, addestrati su grandi quantità di dati non etichettati e poi adattati a compiti specifici con meno esempi. Ci sono anche modelli multimodali che combinano immagini e testo, in grado per esempio di confrontare una radiografia con il referto precedente o di proporre una bozza di descrizione.

La tecnologia evolve in fretta, ma il principio di fondo resta lo stesso: imparare da esempi.

Il ruolo dei dati e dell’annotazione

Un algoritmo di radiologia impara osservando migliaia o milioni di esami associati a un’etichetta affidabile, chiamata ground truth. L’etichetta può essere il referto del radiologo, il risultato di una biopsia, l’esito clinico a distanza di tempo o la segmentazione manuale tracciata da esperti. La qualità di queste etichette determina in gran parte la qualità del modello finale.

Annotare immagini mediche è costoso e lento, perché richiede professionisti qualificati. Per questo i dataset di alta qualità sono preziosi e spesso limitati a specifici ospedali o popolazioni. Ne deriva un problema importante, quello della generalizzazione: un modello addestrato su apparecchiature di un certo produttore o su pazienti di una certa area geografica può funzionare peggio quando cambia il contesto.

Come si misura l’accuratezza

Quando leggi che un algoritmo “è accurato al 95%” conviene chiederti quale metrica si sta usando. In radiologia le misure più comuni sono la sensibilità, cioè la capacità di trovare i casi positivi, e la specificità, cioè la capacità di non segnalare come malati i sani. Si usa spesso anche l’area sotto la curva ROC (AUC), che riassume il compromesso tra queste due grandezze.

Il punto chiave è che le prestazioni misurate in laboratorio, su dati retrospettivi selezionati, tendono a essere migliori di quelle ottenute nella pratica reale. Per questo gli studi più importanti sono quelli prospettici, condotti su pazienti veri nel flusso di lavoro quotidiano, e la validazione esterna su dati di ospedali diversi da quelli usati per l’addestramento.

Le principali applicazioni dell’AI nella diagnostica per immagini

Le applicazioni oggi disponibili coprono quasi tutte le sottospecialità radiologiche. Alcune sono già utilizzate di routine in molti ospedali europei, altre sono ancora in fase di valutazione. Vediamo le aree più mature.

Screening mammografico e senologia

Lo screening del tumore al seno è uno dei campi in cui l’AI ha prodotto le evidenze più solide. Il caso più citato è lo studio svedese MASAI, pubblicato su The Lancet Oncology nel 2023: in un contesto di screening reale, la lettura supportata dall’AI ha individuato più tumori rispetto alla doppia lettura tradizionale, riducendo in modo significativo il carico di lavoro dei radiologi, senza aumentare i falsi positivi. Studi successivi in Germania, Danimarca e altri paesi hanno indicato risultati in linea.

In questo ambito l’AI viene usata in vari modi: per assegnare a ogni esame un punteggio di rischio, per smistare automaticamente gli esami a basso rischio verso una lettura singola, oppure come lettore aggiuntivo che segnala aree sospette.

È un’area da seguire con attenzione, perché lo screening coinvolge milioni di donne sane.

Torace: radiografie e TAC

La radiografia del torace è l’esame di imaging più eseguito al mondo, ed esistono numerosi software che individuano pneumotorace, versamenti pleurici, consolidamenti, noduli e posizionamento errato di tubi e cateteri. Sulla TAC del torace l’AI viene utilizzata per rilevare e misurare i noduli polmonari, seguirne l’evoluzione nel tempo e supportare i programmi di screening del tumore al polmone nei forti fumatori.

Un vantaggio spesso sottovalutato è la misurazione automatica: confrontare il volume di un nodulo tra un esame e l’altro a mano richiede tempo ed è soggetto a variabilità tra lettori, mentre un software lo fa in pochi secondi con criteri costanti.

Neuroradiologia ed emergenza

Nell’ictus il tempo è cervello, e ogni minuto risparmiato conta. Diversi sistemi analizzano automaticamente TAC e angio-TAC cerebrali per individuare emorragie o occlusioni dei grandi vasi e inviano un avviso immediato al team di guardia, anche sullo smartphone. In questo caso il valore dell’AI non è tanto “vedere meglio” del neuroradiologo, quanto accorciare i tempi tra l’esecuzione dell’esame e la decisione terapeutica.

Altre applicazioni in neuroradiologia riguardano la quantificazione del volume cerebrale nelle malattie neurodegenerative e il monitoraggio delle lesioni nella sclerosi multipla.

Muscoloscheletrico e pronto soccorso

Nei pronto soccorso affollati, le radiografie per sospette fratture sono spesso lette in prima battuta da medici non radiologi, soprattutto di notte. Gli algoritmi di rilevazione delle fratture possono ridurre il rischio di lesioni sfuggite, in particolare quelle piccole o in sedi difficili come polso, scafoide e caviglia. Esistono anche software che stimano l’età ossea nei bambini o misurano automaticamente angoli e allineamenti della colonna.

Oncologia, cuore e altri ambiti

In oncologia l’AI aiuta a segmentare tumori e organi a rischio per la pianificazione della radioterapia, un’attività che a mano può richiedere ore. Nella risonanza della prostata ci sono strumenti che supportano l’identificazione delle lesioni sospette. In cardiologia per immagini, il software misura automaticamente le camere cardiache e la frazione di eiezione, oppure quantifica il calcio coronarico dalle TAC.

Un filone di ricerca in crescita è la radiomica, cioè l’estrazione di centinaia di caratteristiche quantitative dalle immagini per prevedere aspetti come la risposta a una terapia o la prognosi. È una promessa affascinante, ma ancora in gran parte confinata alla ricerca.

Oltre la lettura: acquisizione, qualità e flusso di lavoro

Una parte importante dell’impatto dell’AI non riguarda la diagnosi ma il “dietro le quinte”. Gli algoritmi di ricostruzione basati sul deep learning permettono di ottenere immagini di qualità con dosi di radiazioni più basse nelle TAC o con tempi di acquisizione più brevi nelle risonanze magnetiche, a vantaggio del comfort del paziente e della capacità delle macchine.

Altri strumenti ottimizzano le agende, riducono le mancate presentazioni, controllano la qualità tecnica degli esami appena acquisiti o riordinano la lista di lavoro mettendo in cima i casi con reperti urgenti. Infine, i modelli linguistici stanno iniziando a essere usati per proporre bozze di referto strutturate, riassumere la storia clinica e tradurre il referto in un linguaggio più comprensibile per il paziente.

Su questo fronte la cautela è d’obbligo, perché i modelli linguistici possono generare errori convincenti.

I benefici reali: cosa dicono le evidenze

È facile leggere titoli che parlano di AI “più brava dei medici”. La realtà è più sfumata e, per certi versi, più interessante. I benefici meglio documentati si concentrano in alcune aree precise.

Carico di lavoro e carenza di radiologi

Il numero di esami di imaging cresce da anni più velocemente del numero di radiologi, in Italia come nel resto d’Europa. In questo scenario, uno strumento che riduce il tempo necessario per gli esami negativi o che automatizza misurazioni noiose può liberare tempo per i casi complessi e per il dialogo con i colleghi clinici. Il beneficio più concreto dell’AI, oggi, è spesso organizzativo prima ancora che diagnostico.

Coerenza e riduzione della variabilità

Due radiologi possono valutare in modo diverso la stessa immagine, e lo stesso radiologo può dare risposte diverse a seconda della stanchezza o del momento della giornata. L’algoritmo applica sempre gli stessi criteri. Questo non significa che abbia sempre ragione, ma che i suoi errori sono più prevedibili e misurabili, il che è utile per standardizzare le misurazioni e i follow-up.

Velocità nelle urgenze

Nei casi tempo-dipendenti, come ictus, emorragie o embolia polmonare, la segnalazione automatica può ridurre i tempi di notifica. Il vantaggio clinico dipende però da come l’avviso si integra nell’organizzazione: un allarme che arriva a chi non può agire non serve a nulla.

La tecnologia da sola non basta, serve un processo costruito intorno.

Limiti, rischi e problemi aperti

Accanto ai benefici esistono limiti importanti, che chi lavora in sanità e chi è paziente dovrebbe conoscere. Ignorarli è il modo migliore per trasformare uno strumento utile in un problema.

Bias e scarsa generalizzazione

Se un modello è stato addestrato prevalentemente su una certa popolazione, per età, etnia, sesso o tipo di apparecchiatura, può funzionare peggio su gruppi poco rappresentati. Sono stati documentati casi in cui un algoritmo imparava a riconoscere scorciatoie indesiderate, come marcatori presenti sulle immagini di un certo ospedale, invece dei veri segni della malattia. Per questo la validazione locale, prima dell’adozione, è fondamentale.

Automation bias e responsabilità

Un rischio sottile è l’automation bias, cioè la tendenza umana a fidarsi troppo delle indicazioni di una macchina. Alcuni studi sperimentali hanno mostrato che, quando l’AI fornisce un suggerimento sbagliato, anche radiologi esperti possono essere indotti in errore. Il radiologo deve quindi restare critico e il software dovrebbe rendere evidente il grado di incertezza delle sue indicazioni.

Collegata a questo c’è la questione della responsabilità: se l’AI sbaglia e il medico la segue, chi risponde? Oggi, in generale, la responsabilità clinica resta del professionista e della struttura, mentre il produttore risponde della conformità e della sicurezza del dispositivo. È un tema giuridico ancora in evoluzione.

Deriva dei modelli e manutenzione

Le prestazioni di un algoritmo possono peggiorare nel tempo se cambiano le apparecchiature, i protocolli di acquisizione o le caratteristiche dei pazienti. Questo fenomeno si chiama deriva (drift) e richiede un monitoraggio continuo dopo l’installazione. Un software di AI non è un acquisto da fare una volta e dimenticare, ma un sistema da sorvegliare nel tempo.

Privacy e sicurezza dei dati

Le immagini mediche sono dati sanitari, una delle categorie più protette dal GDPR. Addestrare e utilizzare modelli richiede basi giuridiche adeguate, pseudonimizzazione, contratti chiari con i fornitori e misure di sicurezza robuste, soprattutto quando i dati vengono elaborati in cloud. Anche i metadati DICOM possono contenere informazioni identificative da gestire con cura.

Il quadro normativo in Europa e in Italia

In Europa un software che analizza immagini a scopo diagnostico è, nella maggior parte dei casi, un dispositivo medico ai sensi del Regolamento UE 2017/745 (MDR). Prima di essere messo in commercio deve ottenere la marcatura CE attraverso una valutazione di conformità che, per la maggior parte dei software diagnostici, coinvolge un organismo notificato. Il produttore deve dimostrare sicurezza, prestazioni cliniche e gestione dei rischi.

A questo si aggiunge l’AI Act, il regolamento europeo sull’intelligenza artificiale. I sistemi di AI che sono dispositivi medici soggetti a valutazione da parte di un organismo notificato rientrano tra i sistemi ad alto rischio, con obblighi aggiuntivi su qualità dei dati, documentazione tecnica, trasparenza, supervisione umana, accuratezza e robustezza. Le scadenze per questa categoria sono scaglionate nel tempo, quindi conviene seguire gli aggiornamenti ufficiali della Commissione europea.

Il punto chiave è che i due regolamenti si sommano: la marcatura CE resta la porta d’ingresso, l’AI Act aggiunge requisiti specifici.

In Italia il tema è seguito con attenzione dalle società scientifiche, a partire dalla Società Italiana di Radiologia Medica e Interventistica (SIRM), che da anni promuove formazione e documenti di indirizzo sull’uso dell’AI nella pratica clinica. Molte aziende sanitarie hanno avviato progetti pilota, spesso legati agli investimenti per la digitalizzazione della sanità, ma la diffusione resta disomogenea tra regioni e strutture.

Come scegliere e introdurre uno strumento di AI in un reparto

Se lavori in una struttura sanitaria e stai valutando l’adozione di un software di AI radiologica, è utile seguire un percorso ordinato. Le domande giuste da porsi prima dell’acquisto evitano delusioni e sprechi.

  1. Parti dal problema clinico, non dalla tecnologia: tempi di refertazione, urgenze, screening, misurazioni ripetitive.
  2. Verifica la marcatura CE, la classe di rischio e la destinazione d’uso esatta dichiarata dal produttore.
  3. Chiedi le evidenze cliniche: studi pubblicati, validazioni esterne, dati su popolazioni simili alla tua.
  4. Pianifica una validazione locale su casi del tuo ospedale prima della messa in uso.
  5. Valuta l’integrazione con PACS, RIS e sistemi di refertazione: uno strumento scomodo non verrà usato.
  6. Definisci chi monitora le prestazioni nel tempo e come si segnalano gli errori.

A questo si aggiunge la formazione del personale. Radiologi e tecnici devono capire cosa fa il software, quali sono i suoi limiti tipici e come interpretarne le indicazioni. Coinvolgere fin dall’inizio i professionisti che useranno lo strumento aumenta le probabilità di successo e riduce le resistenze.

Infine, considera il modello economico: licenze per esame, abbonamenti annuali o piattaforme che raccolgono più algoritmi di produttori diversi. Le piattaforme “marketplace” semplificano l’integrazione, ma vanno valutate con la stessa attenzione dei singoli prodotti.

Cosa cambia per i radiologi, i tecnici e i pazienti

Qualche anno fa circolavano previsioni secondo cui l’AI avrebbe reso inutili i radiologi. Non è andata così. Il numero di esami continua a crescere e la professione resta molto richiesta. Quello che sta cambiando è il contenuto del lavoro.

Il radiologo come integratore di informazioni

Con l’automazione delle attività più ripetitive, il valore del radiologo si sposta verso l’integrazione tra immagini, dati clinici, laboratorio e storia del paziente, verso la comunicazione con i colleghi e con i pazienti e verso la gestione dei casi complessi. Diventano importanti competenze nuove: capire le statistiche di un algoritmo, riconoscere i suoi errori tipici, partecipare alla validazione e alla governance dei sistemi.

Chi saprà usare bene questi strumenti avrà un vantaggio rispetto a chi li ignora.

I tecnici di radiologia

Anche il lavoro dei tecnici sanitari di radiologia medica cambia. L’AI interviene nel posizionamento del paziente, nella scelta dei parametri di acquisizione e nel controllo qualità in tempo reale. Questo può ridurre ripetizioni degli esami e dosi inutili, ma richiede di conoscere il funzionamento e i limiti dei nuovi sistemi.

Cosa sapere se sei un paziente

Se sei un paziente, è probabile che in futuro alcuni dei tuoi esami vengano analizzati anche da un software. È ragionevole sapere che, nella pratica attuale, il referto è firmato da un medico che ne è responsabile e che l’AI è uno strumento di supporto. Hai diritto a ricevere informazioni chiare sul trattamento dei tuoi dati e puoi chiedere alla struttura se e come vengono utilizzati strumenti di intelligenza artificiale.

Un consiglio pratico: diffida dei servizi online che promettono di “leggere” le tue immagini con l’AI senza un medico, e non usare un chatbot generalista per interpretare da solo il tuo referto o le tue immagini. Usalo semmai per farti spiegare termini tecnici, ma porta sempre le tue domande al medico.

Il futuro dell’AI in radiologia

Le direzioni di sviluppo più interessanti sono già visibili. I foundation model per l’imaging promettono strumenti più versatili, capaci di gestire molte anomalie diverse invece di un solo reperto per volta. I modelli multimodali potrebbero collegare immagini, referti, esami di laboratorio e dati genomici, avvicinando la radiologia alla medicina di precisione.

Un altro tema caldo riguarda gli strumenti che sanno “dire di non sapere”, cioè sistemi capaci di stimare la propria incertezza e di segnalare i casi fuori dalla loro esperienza. Sono altrettanto importanti le tecniche di apprendimento federato, che permettono di addestrare modelli su dati di più ospedali senza spostare le immagini dai server delle singole strutture, con vantaggi evidenti per la privacy.

Resta la sfida più difficile, che non è tecnologica: dimostrare con studi rigorosi che l’AI migliora gli esiti per i pazienti, non solo le metriche di accuratezza, e farlo a costi sostenibili per i sistemi sanitari pubblici. Se vuoi un quadro più ampio di come l’AI sta cambiando l’intero mondo della cura, ti consiglio la nostra guida all’intelligenza artificiale in medicina.

Conclusioni

L’intelligenza artificiale in radiologia non è più un esperimento da laboratorio: è una realtà che sta entrando nei reparti, a partire dallo screening mammografico, dalle urgenze neurologiche, dal torace e dalle misurazioni automatiche. I benefici più solidi riguardano la gestione del carico di lavoro, la coerenza delle valutazioni e la velocità nei casi urgenti, mentre restano aperti problemi seri come i bias, l’automation bias, la deriva dei modelli e la responsabilità.

Il modello vincente, oggi, è quello della collaborazione: algoritmi che fanno bene compiti specifici, professionisti che restano al centro della decisione, regole chiare che proteggono i pazienti.

Se lavori in sanità, il momento giusto per formarti è adesso, prima che questi strumenti diventino la norma. Se sei semplicemente curioso, continua a seguire intelligenzaartificiale.net: aggiorniamo costantemente le nostre guide sull’AI applicata alla salute, e se hai domande o esperienze da raccontare sull’uso dell’AI in radiologia, scrivici e condividi questa guida con chi potrebbe trovarla utile.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza