I ricercatori della Harvard Medical School hanno annunciato un’importante scoperta nell’ambito della diagnosi del cancro: un nuovo modello di intelligenza artificiale, denominato CHIEF (Clinical Histopathology Imaging Evaluation Foundation), è stato in grado di raggiungere un’accuratezza del 96% nella diagnosi del cancro, offrendo un supporto significativo alla comunità medica e ai pazienti.
CHIEF è un modello di intelligenza artificiale versatile, simile a ChatGPT, progettato per eseguire un’ampia gamma di attività diagnostiche su vari tipi di cancro. Questo sistema è stato addestrato su oltre 15 milioni di sezioni di immagini e su 60.000 immagini di tessuti interi provenienti da diversi organi, garantendo un’analisi più completa e accurata.
A differenza di altri strumenti diagnostici, CHIEF è stato testato su 19 diversi tipi di cancro, dimostrando una notevole flessibilità e adattabilità, simile a quella dei modelli linguistici di grandi dimensioni come ChatGPT. Secondo il professor Kun-Hsing Yu, autore senior dello studio, “la nostra ambizione era quella di creare una piattaforma di intelligenza artificiale agile e versatile in grado di svolgere un’ampia gamma di attività di valutazione del cancro”.
Il nuovo modello AI di Harvard ha superato significativamente i metodi attuali in diversi test. Ha ottenuto un’accuratezza del 94% nella rilevazione del cancro e ha migliorato fino al 36% i risultati rispetto ad altri approcci all’avanguardia per rilevare l’origine del tumore, prevedere l’esito dei pazienti e identificare le caratteristiche genetiche.
Il sistema è stato testato su un totale di 19.400 immagini provenienti da 32 set di dati e 24 ospedali, dimostrando di poter funzionare in maniera altrettanto efficace in contesti clinici diversi, indipendentemente dal modo in cui i campioni tumorali sono stati ottenuti o digitalizzati.
I ricercatori stanno lavorando per migliorare ulteriormente CHIEF, includendo anche la capacità di diagnosticare malattie rare, analizzare tessuti non cancerosi e pre-maligni, e utilizzare un numero maggiore di dati molecolari. L’obiettivo è anche quello di migliorare la capacità del modello di prevedere i benefici e gli effetti collaterali dei trattamenti oncologici, sia quelli standard che quelli sperimentali.
Il professor Yu ha sottolineato che “se ulteriormente convalidato e ampiamente distribuito, il nostro approccio potrebbe identificare pazienti oncologici in fase iniziale che potrebbero trarre beneficio da trattamenti sperimentali”. Questo potrebbe rappresentare un passo importante nella medicina personalizzata, consentendo il targeting di specifiche variazioni molecolari, una capacità che attualmente non è disponibile universalmente in tutto il mondo.