L'intelligenza artificiale in medicina nucleare
Mese : 2026-04
Supporto diagnostico, miglioramento delle immagini e assistenza nella refertazione. Panoramica concreta e misurata degli usi attuali dell'IA nella nostra specialità, alla luce delle pubblicazioni 2024-2026.
La medicina nucleare è già un campo altamente tecnologico. Si basa sull'imaging, la quantificazione, il software di ricostruzione, i dati clinici e, sempre più, sull'automazione. In questo contesto, l'intelligenza artificiale non arriva come una rottura totale, ma piuttosto come un nuovo livello di assistenza, capace di accelerare certi compiti, migliorare la qualità delle immagini e supportare l'interpretazione.
Dal 2024, la letteratura specializzata mostra una netta accelerazione dei lavori sull'IA applicata a PET, SPECT, correzione degli artefatti, segmentazione, quantificazione e redazione assistita dei referti.
L'IA può aiutare la medicina nucleare ad essere più veloce, più riproducibile e talvolta più precisa. Ma non è né magica né autonoma.
01 · Supporto diagnostico
In medicina nucleare, l'IA è particolarmente adatta ai compiti che richiedono il rilevamento di pattern sottili, il confronto di intensità, la misurazione di volumi o l'integrazione di grandi quantità di informazioni.
In pratica, l'IA può aiutare a rilevare meglio una lesione difficile da vedere, stimare più rapidamente il carico tumorale, segmentare automaticamente le strutture o standardizzare alcune misure quantitative.
Un esempio notevole pubblicato all'inizio del 2026 da Zhang et al. illustra il valore di un modello 3D multimodale PET/CT addestrato su 474 pazienti per la previsione dello stadio T del cancro colorettale.
Da ricordare. L'algoritmo non fa la diagnosi al posto del medico. Agisce come un secondo lettore digitale: attira l'attenzione, pre-segmenta, quantifica, propone una classificazione o un punteggio. La diagnosi finale rimane clinica e umana.
02 · Immagini più pulite e utilizzabili
Una delle aree in cui l'IA è più impressionante oggi è il miglioramento delle immagini. I modelli di deep learning sono in grado di migliorare immagini PET o SPECT rumorose, ripristinare acquisizioni a basso conteggio.
Per il paziente, il beneficio potenziale è molto concreto. Se un'immagine di buona qualità può essere ottenuta con meno rumore nonostante meno conteggi, questo apre la porta a una riduzione della dose iniettata o a un tempo di acquisizione più breve.
Questo principio è ora validato in studi multicentrici su larga scala. Maes et al. hanno pubblicato nel 2025 su EJNMMI una valutazione esterna in cieco del software NUCLARITY.
Tuttavia, è necessaria cautela. Un'immagine visivamente più bella non è sempre sinonimo di perfetta fedeltà biologica. Conclusione pratica: non mescolare mai immagini denoised e non-denoised nel follow-up longitudinale.
03 · Correggere ciò che l'occhio non vede sempre
L'IA non viene utilizzata solo per pulire l'immagine finale. Interviene anche prima nella catena tecnica: correzione del movimento respiratorio e cardiaco, correzione dell'attenuazione, co-registrazione automatica PET-TC.
04 · Segmentazione automatica: la rivoluzione silenziosa
La segmentazione — delimitare con precisione i contorni di un organo o di una lesione in un'immagine 3D — è un compito cruciale ma straordinariamente dispendioso in termini di tempo. La delimitazione manuale di tutte le lesioni tumorali di un linfoma total body può richiedere più di un'ora a un medico nucleare esperto. L'IA sta trasformando radicalmente questo passaggio.
Modelli generalisti come TotalSegmentator, MOOSE e recenti foundation model come SegAnyPET o VISTA3D sono ora disponibili come open-source o semi-commerciali.
05 · Assistenza nella redazione dei referti
I grandi modelli di linguaggio (LLM) sono sempre più studiati in medicina nucleare per assistere la redazione, strutturare i referti, riassumere i risultati, estrarre dati chiave.
Attenzione. Questo è il settore in cui il rischio di errori credibili è più preoccupante. Un modello linguistico può produrre una frase molto ben scritta ma fattualmente falsa. Questi strumenti devono rimanere assistenti editoriali sotto stretto controllo medico.
06 · Migliore collegamento dell'immagine ai dati clinici
L'IA diventa particolarmente interessante quando fonde più fonti: immagine PET o SPECT, TC associata, dati clinici, talvolta biologia molecolare. Questo è il principio della radiomica profonda multimodale.
07 · Limiti attuali e sfide future
• Mancanza di dati multicentrici ben annotati. La maggior parte dei modelli viene addestrata su coorti monocentriche e perde prestazioni quando viene applicata a immagini acquisite su altre macchine e protocolli. Il domain shift resta il tallone d'Achille del deep learning in imaging medico. • Variazioni tra macchine e protocolli. Un modello addestrato su uno scanner Siemens Biograph Vision spesso funziona meno bene su un vecchio PET GE Discovery. • Vincoli regolatori e GDPR. L'immissione in commercio di un dispositivo medico di IA richiede la marcatura CE (regolamento MDR 2017/745), spesso in classe IIa o IIb. • Riproducibilità e spiegabilità. Un algoritmo "scatola nera" che dice semplicemente "anormale" senza giustificare la sua decisione è difficilmente accettabile in un referto medico. • Formazione e acculturazione dei team. L'adozione duratura di uno strumento di IA in reparto presuppone una formazione iniziale e continua di medici e tecnici.
Conclusione L'IA in medicina nucleare non è più un'idea futuristica. È già presente, soprattutto nel miglioramento delle immagini, nel denoising PET e SPECT, nella segmentazione automatica, nella quantificazione e nell'assistenza alla refertazione. Le pubblicazioni 2024-2026 segnano una transizione netta: dalla prova di concetto alla validazione clinica esterna multicentrica. L'IA non sostituisce lo specialista in medicina nucleare, ma può fargli risparmiare tempo, migliorare la qualità tecnica di certi esami, ridurre la dose o il tempo di acquisizione, e rendere l'analisi più omogenea tra lettori. La sfida per la nostra specialità nei prossimi cinque anni è meno tecnica che culturale e organizzativa: saper scegliere gli strumenti che apportano un reale valore clinico, validarli localmente e formare i team. L'IA sta probabilmente diventando un ottimo copilota per la medicina nucleare. E come ogni buon copilota, il suo valore non deriva dalla capacità di decidere da solo, ma dalla capacità di assistere intelligentemente il professionista che mantiene la responsabilità finale.
🔑 Punti chiave • Supporto diagnostico — l''IA individua pattern sottili, pre-segmenta le lesioni, quantifica il carico tumorale e standardizza le misurazioni; agisce come un secondo lettore digitale, non come decisore. • Miglioramento dell''immagine — il deep learning denoisa le acquisizioni PET e SPECT, aprendo la via alla riduzione di dose o a tempi di acquisizione più brevi; validato in studi multicentrici multi-tracciante (NUCLARITY, SubtlePET, AiCE, ecc.). • Correzione pre-ricostruzione — l''IA corregge movimento, attenuazione e co-registrazione PET-TC per una dosimetria e un follow-up terapeutico più affidabili, in particolare in RLT. • Segmentazione automatica — i foundation models (TotalSegmentator, MOOSE, SegAnyPET, VISTA3D) segmentano oggi oltre 100 strutture in meno di un minuto, rendendo finalmente praticabili MTV e TLG nella routine. • Assistenza alla refertazione — i LLM strutturano i referti ed estraggono i dati chiave, ma devono restare sotto stretta supervisione medica (rischio di errore fattuale plausibile). • Fusione multimodale — l''IA collega immagine molecolare, TC, dati clinici e biologia per anticipare rischio di recidiva e risposta terapeutica. • Limiti attuali — pochi strumenti passano dal prototipo all''uso clinico esteso: domain shift inter-macchina, carenza di dati annotati, vincoli MDR/FDA e GDPR. • Responsabilità finale — la diagnosi clinica e la decisione terapeutica restano umane; l''IA è un copilota, non un pilota.
• Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3 • Balaji V, Song TA, Malekzadeh M, Heidari P, Dutta J. Artificial Intelligence for PET and SPECT Image Enhancement. J Nucl Med. 2024;65(1):4-12. doi:10.2967/jnumed.122.265000 • Miwa K, et al. Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning. Ann Nucl Med. 2025. doi:10.1007/s12149-025-02088-7 • Zhang M, Li Y, Zheng C, et al. Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026;53:910-920. doi:10.1007/s00259-025-07450-5 • Zhang MX, Liu PF, Zhang MD, et al. Deep learning in nuclear medicine: from imaging to therapy. Ann Nucl Med. 2025;39(5):424-440. • Maes J, Carron C, DeKeyser S, et al. Low-count whole-body PET denoising with deep learning in a multicenter, multi-tracer and externally validated study. Eur J Nucl Med Mol Imaging. 2025. doi:10.1007/s00259-025-07672-7 • Silva LC, Constantino C, Teixeira R, et al. Assessing the quantitative feasibility of deep-learning-based denoising of faster-than-1-minute whole-body [18F]FDG PET acquisitions. J Nucl Med. 2025;66(suppl 1):251342. • PET Image Denoising with Rectified Flow. J Nucl Med. 2025;66(suppl 1):251475. • Xue S, Liu F, Wang H, et al. A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain. Eur J Nucl Med Mol Imaging. 2025;52:1901-1911. doi:10.1007/s00259-024-06994-2 • Raymond C, Zhang D, Cabello J, et al. SMART-PET: a Self-SiMilARiTy-aware generative adversarial framework for reconstructing low-count [18F]-FDG-PET brain imaging. Front Nucl Med. 2024;4:1469490. doi:10.3389/fnume.2024.1469490 • Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024 • Zhang Y, Xue L, Zhang W, et al. SegAnyPET: universal promptable segmentation from positron emission tomography images. Proc IEEE/CVF ICCV. 2025:21107-21116. • He Y, et al. VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging. Proc IEEE/CVF CVPR. 2025. • Riedemann L, Labonne M, Gilbert S. The path forward for large language models in medicine is open. npj Digit Med. 2024;7:339. doi:10.1038/s41746-024-01344-w • Kersting D, Borys K, Küper A, et al. Staging of prostate cancer with ultra-fast PSMA-PET scans enhanced by AI. Eur J Nucl Med Mol Imaging. 2025;52(5):1658-1670.