PRISM2, il foundation model di Paige e Microsoft che legge i vetrini e dialoga con i patologi

La patologia digitale ha appena guadagnato un protagonista di peso. Si chiama PRISM2 ed è il foundation model multimodale sviluppato da Paige insieme a Microsoft per leggere i vetrini istologici e, soprattutto, per dialogare con chi quei vetrini li interpreta ogni giorno. A riportarlo al centro della scena è uno studio pubblicato all’inizio di agosto 2026 su Nature Medicine, che certifica prestazioni ai vertici della categoria su una lunga serie di compiti diagnostici e prognostici.

La novità non è soltanto tecnica. PRISM2 prova a cambiare il modo in cui un’intelligenza artificiale osserva un tessuto, perché non si limita a classificare pixel ma risponde a domande formulate in linguaggio naturale, come farebbe un collega davanti al microscopio.

Che cos’è PRISM2 e perché se ne parla adesso

PRISM2 è un foundation model che lavora a livello di intero vetrino, il cosiddetto whole-slide image, cioè la scansione digitale ad altissima risoluzione di un campione di tessuto. È stato costruito da Paige, azienda specializzata in patologia computazionale, in collaborazione con Microsoft Research, e raccoglie l’eredità di due mattoni tecnologici già noti agli addetti ai lavori: Virchow2, il modello che analizza le singole porzioni di immagine, e PRISM, il predecessore diretto da cui eredita nome e impostazione.

Il motivo per cui se ne parla proprio ora è la validazione scientifica. La pubblicazione su una rivista peer reviewed del calibro di Nature Medicine, accompagnata dal risalto che Microsoft ha dato al progetto, sposta PRISM2 dal territorio della ricerca sperimentale a quello degli strumenti pronti a essere valutati sul campo.

Non è un annuncio di marketing. È un risultato misurato, con numeri e confronti verificabili.

Dai pixel al dialogo clinico

Il salto concettuale sta qui. I modelli di patologia della generazione precedente erano ottimi classificatori: guardavano un vetrino e restituivano un’etichetta, per esempio la presenza o l’assenza di tumore. PRISM2 aggrega le migliaia di frammenti in cui viene suddiviso un vetrino in un’unica rappresentazione complessiva e la mette in comunicazione con un modello linguistico, capace di trasformare quei dati visivi in testo.

Il risultato è un sistema a cui puoi porre una domanda diagnostica e da cui puoi ottenere una risposta argomentata, non solo un punteggio numerico. È la differenza tra un semaforo e un consulto.

Come è stato addestrato, tra milioni di vetrini e referti clinici

La forza di PRISM2 nasce dalla scala e dalla qualità dei dati. Il modello è stato addestrato su oltre 2,3 milioni di vetrini digitali, un patrimonio enorme di immagini che copre organi, tessuti e condizioni molto diverse tra loro. A questa base visiva si aggiunge la parte che rende il sistema davvero multimodale, ovvero il linguaggio dei referti.

Gli sviluppatori hanno utilizzato circa 700.000 referti anatomopatologici raccolti durante la normale attività clinica del Memorial Sloan Kettering Cancer Center di New York, uno dei centri oncologici più importanti al mondo. Quei referti sono stati trasformati in milioni di coppie domanda e risposta con l’aiuto di un modello linguistico avanzato, in modo da insegnare a PRISM2 non solo a vedere, ma a spiegare quello che vede nel vocabolario dei patologi.

L’addestramento si è svolto in due fasi. Nella prima il sistema ha imparato ad allineare le immagini dei vetrini con le descrizioni testuali della diagnosi. Nella seconda è stata sbloccata la componente linguistica, così da abilitare una vera conversazione diagnostica e da estrarre rappresentazioni più ricche e clinicamente utili.

È un impianto sofisticato, ma l’obiettivo è semplice: ridurre la distanza tra il dato grezzo e la decisione clinica.

Che cosa sa fare PRISM2

Le capacità dichiarate vanno ben oltre la semplice individuazione di un tumore. Con l’inferenza guidata dai prompt, cioè interrogando il modello con istruzioni in linguaggio naturale, PRISM2 raggiunge o supera l’accuratezza di prodotti di grado clinico già calibrati per il rilevamento del cancro alla prostata, al seno e ai linfonodi mammari.

Il modello non si ferma alla diagnosi. Riesce a prevedere biomarcatori, a generare riassunti e a stimare esiti clinici, tre attività che di solito richiederebbero strumenti diversi e addestramenti dedicati. Qui invece bastano istruzioni testuali, senza dover riaddestrare il sistema da zero per ogni nuovo compito.

Nel confronto con i modelli slide-level della generazione precedente, tra cui lo stesso PRISM e il modello TITAN, PRISM2 si colloca davanti o alla pari su un ventaglio ampio di test diagnostici, di previsione dei biomarcatori e di prognosi. È proprio questa versatilità, unita alla capacità di spiegare le risposte, a fare la differenza.

In pratica, un unico modello copre un lavoro che prima era frammentato.

Perché conta per la patologia digitale, anche in Italia

Per capire la portata della notizia bisogna guardare al contesto in cui operano i laboratori. La patologia è una disciplina sotto pressione: il numero di casi cresce con l’invecchiamento della popolazione, mentre i patologi disponibili non aumentano allo stesso ritmo. La digitalizzazione dei vetrini, ormai avviata in molti ospedali, apre la strada a strumenti che aiutano a gestire i carichi di lavoro e a ridurre i tempi di refertazione.

In questo scenario un modello che parla la lingua dei clinici è potenzialmente prezioso. Non sostituisce il medico, ma può fare da secondo lettore, segnalare i casi che meritano attenzione prioritaria e rendere più uniforme la qualità delle valutazioni tra centri diversi.

L’Italia si muove nella stessa direzione. Lo mostra bene il caso di un modello del San Raffaele che stima il rischio del tumore del rene prima dell’operazione, un esempio di come l’intelligenza artificiale stia entrando nella pratica oncologica anche nei nostri ospedali.

Il filo che collega questi progetti è chiaro. Le grandi piattaforme stanno spingendo l’AI dentro la sanità con decisione, come dimostra la scelta di OpenAI di avere collegato Apple Health e le cartelle cliniche a ChatGPT, mentre sul fronte della ricerca di base si moltiplicano le iniziative come il piano di Google DeepMind e Isomorphic Labs contro le minacce biologiche. PRISM2 si inserisce esattamente in questo movimento, portando la logica dei foundation model nel cuore della diagnostica di laboratorio.

I limiti e le cautele necessarie

Entusiasmo sì, ma con lucidità. Un risultato pubblicato su Nature Medicine è un traguardo importante, non un via libera all’uso clinico su larga scala. Tra la dimostrazione di prestazioni elevate su dataset selezionati e l’impiego quotidiano in corsia c’è ancora molto lavoro da fare.

Servono validazioni prospettiche, cioè studi che mettano il modello alla prova su pazienti reali e in tempo reale, non solo su archivi di casi già chiusi. Bisogna verificare che le prestazioni tengano su popolazioni diverse da quelle di addestramento, per esempio con vetrini prodotti da laboratori con protocolli e strumentazioni differenti, così da evitare i bias che affliggono molti sistemi di AI medica.

C’è poi la questione regolatoria. In Europa un software di questo tipo ricade nella disciplina dei dispositivi medici e, con l’entrata in vigore delle nuove regole sull’intelligenza artificiale, dovrà rispettare requisiti stringenti di trasparenza, sorveglianza umana e gestione del rischio. La strada verso la certificazione è lunga.

Infine, un principio che vale sempre. Uno strumento che conversa in modo convincente può indurre a fidarsi troppo delle sue risposte. La responsabilità della diagnosi resta del patologo, e la capacità del modello di spiegarsi va vista come un supporto alla decisione, mai come un sostituto del giudizio umano.

Che cosa aspettarsi ora

PRISM2 racconta bene dove sta andando l’intelligenza artificiale in medicina. Non più modelli chiusi, addestrati per un singolo compito, ma sistemi generalisti e multimodali che uniscono immagini e testo e che si interrogano con il linguaggio di tutti i giorni. È lo stesso paradigma dei grandi modelli linguistici, applicato però a un dominio in cui l’accuratezza non è un vezzo ma una questione di salute.

Nei prossimi mesi il banco di prova saranno le validazioni indipendenti e l’integrazione nei flussi di lavoro reali dei laboratori. Se i risultati verranno confermati fuori dai dataset accademici, strumenti come PRISM2 potrebbero diventare parte dell’arsenale quotidiano dei patologi, esattamente come lo sono stati a suo tempo la microscopia digitale e i sistemi di refertazione elettronica.

Se ti occupi di sanità, ricerca o innovazione, questa è una di quelle notizie da tenere d’occhio. Continua a seguirci per capire come l’AI applicata alla diagnostica passerà dai laboratori di ricerca alla pratica clinica, e che cosa cambierà davvero per medici e pazienti.