Il modello REDMOD sviluppato dalla Mayo Clinic rappresenta un avanzamento tecnico concreto nella diagnosi precoce del tumore al pancreas, basato su un approccio radiomico applicato alle immagini di tomografia computerizzata già disponibili nella pratica clinica. Non si tratta di un sistema progettato per sostituire la diagnostica tradizionale, ma di una tecnologia che si innesta direttamente nei flussi esistenti, analizzando retrospettivamente e prospetticamente le TAC addominali di routine per individuare segnali patologici invisibili all’occhio umano.
Il principio di funzionamento del modello è legato alla radiomics, cioè all’estrazione automatica di caratteristiche quantitative dalle immagini mediche. REDMOD, acronimo di Radiomics-based Early Detection Model, elabora le scansioni TC identificando pattern microstrutturali e variazioni tissutali che precedono la formazione visibile del tumore. In termini tecnici, il sistema non rileva masse già sviluppate, ma intercetta alterazioni statistiche nella distribuzione dei voxel, nella texture e nella densità del tessuto pancreatico, che costituiscono segnali precoci della malattia.
Questo approccio è stato validato su un dataset ampio e clinicamente realistico, composto da circa 2.000 scansioni TC provenienti da diversi contesti ospedalieri, con protocolli di imaging eterogenei. Un elemento metodologico rilevante è che molte di queste scansioni erano state inizialmente interpretate come normali, e appartenevano a pazienti che avrebbero ricevuto una diagnosi di tumore al pancreas solo negli anni successivi.
L’analisi retrospettiva ha evidenziato che REDMOD è in grado di identificare fino al 70–73% dei casi prima della diagnosi clinica, con un anticipo temporale che può arrivare a tre anni. Ancora più significativo è il comportamento del modello nelle fasi più precoci: nelle scansioni effettuate oltre due anni prima della diagnosi, il sistema ha mostrato una capacità di rilevazione fino a tre volte superiore rispetto alla valutazione umana senza supporto AI.
Il risultato implica che l’intelligenza artificiale riesce a estrarre informazione diagnostica latente da dati già acquisiti, senza necessità di nuovi esami o tecnologie invasive. Il valore non sta quindi nella creazione di un nuovo test, ma nella reinterpretazione avanzata di immagini già presenti nei sistemi ospedalieri. In termini di architettura, REDMOD si integra nei workflow radiologici come sistema di supporto decisionale, analizzando le scansioni e segnalando aree o pattern sospetti che richiedono una revisione clinica più approfondita. Questa capacità assume particolare rilevanza nel caso del tumore al pancreas, una patologia caratterizzata da una diagnosi spesso tardiva a causa della mancanza di sintomi specifici nelle fasi iniziali. L’identificazione precoce è uno degli elementi più critici per migliorare la prognosi, poiché le opzioni terapeutiche curative sono significativamente più efficaci quando la malattia è ancora localizzata.
Il modello REDMOD si distingue anche per la sua validazione in condizioni reali, e non solo in ambienti sperimentali controllati. Le scansioni utilizzate provengono da diverse istituzioni, con variabilità nei macchinari, nei parametri di acquisizione e nelle modalità operative. Questo aspetto è fondamentale perché dimostra la robustezza del sistema rispetto alle condizioni eterogenee tipiche della pratica clinica quotidiana, un requisito spesso critico per l’adozione di soluzioni AI in ambito sanitario.
L’introduzione di un sistema come REDMOD non elimina il ruolo del radiologo, ma ne modifica la funzione. L’AI agisce come un livello aggiuntivo di analisi, capace di evidenziare segnali deboli o non immediatamente interpretabili, mentre la decisione finale resta affidata al medico. Questo modello di collaborazione uomo-macchina è coerente con l’attuale evoluzione della diagnostica per immagini, in cui l’intelligenza artificiale viene utilizzata per aumentare la sensibilità e ridurre il rischio di falsi negativi.
Un ulteriore elemento tecnico riguarda la natura longitudinale dell’analisi. Il modello non si limita a valutare una singola immagine, ma può essere applicato a sequenze temporali di scansioni, consentendo di individuare variazioni progressive nel tempo. Questo introduce una dimensione predittiva nella diagnostica radiologica, trasformando l’imaging da strumento di rilevazione a strumento di anticipazione.
La pubblicazione dei risultati sulla rivista scientifica Gut conferma la rilevanza clinica dello studio, che si inserisce in una linea di ricerca pluriennale orientata alla diagnosi precoce dei tumori ad alta mortalità.