LLM per Diagnosi Medica

LLM per Diagnosi Medica

LLM per Diagnosi Medica

Un ponte tra deep learning, anatomia e linguaggio naturale per la diagnosi assistita

La medicina sta entrando in una nuova era, quella della collaborazione tra intelligenza artificiale e professionisti clinici. I sistemi basati su deep learning hanno già mostrato prestazioni eccellenti nell’analisi di immagini mediche, in particolare nella diagnosi da risonanza magnetica (MRI). Tuttavia, la vera sfida non è più solo ottenere una buona previsione, ma capire e spiegare come l’AI arriva a quella diagnosi. Ed è proprio su questo punto che si innesta un lavoro innovativo presentato da un team dell’Università di Bari Aldo Moro: un framework che combina segmentazione semantica, mappatura anatomica e modelli linguistici generativi (LLM) per produrre referti medici automatici, interpretabili e clinicamente affidabili.

Il problema della “scatola nera” nell’AI medica

L’adozione dell’AI in medicina incontra un ostacolo fondamentale: la fiducia. I modelli di deep learning sono spesso percepiti come “scatole nere” perché, pur restituendo risultati accurati, non spiegano il processo decisionale sottostante. In ambito clinico questo è inaccettabile: un medico non può affidarsi a un sistema che non motiva una diagnosi o che può “allucinare” informazioni inesatte, come talvolta avviene nei modelli linguistici generativi.

Negli anni sono state proposte tecniche visive come le saliency map o Grad-CAM, ma non sono sempre intuitive per i clinici e non offrono un linguaggio naturale. L’obiettivo di questo studio è stato proprio unire l’accuratezza del deep learning con la chiarezza del linguaggio medico, riducendo al minimo le allucinazioni testuali attraverso l’uso di dati strutturati e mappe anatomiche.

Il cuore del sistema: quattro fasi integrate – LLM per Diagnosi Medica

Il framework proposto dagli autori segue una pipeline a quattro stadi, perfettamente orchestrata per garantire coerenza clinica, accuratezza anatomica e affidabilità testuale.

1. Segmentazione semantica

Tutto parte da una risonanza magnetica 3D del cervello. Utilizzando modelli di deep learning avanzati come SegResNet e SwinUNETR, il sistema segmenta in modo automatico le aree patologiche: tumore attivo, edema e nucleo necrotico, oppure lesioni da sclerosi multipla. Tra i modelli testati, SegResNet ha ottenuto le migliori prestazioni, con un Dice Score medio di 0,90 nel caso dei tumori cerebrali.

2. Mappatura con atlante cerebrale

Una volta individuate le lesioni, queste vengono collocate nello spazio anatomico standard MNI152 e sovrapposte al Julich Brain Atlas – un atlante probabilistico del cervello umano basato su 25 anni di ricerca post-mortem. In questo modo, ogni lesione può essere associata a specifiche aree cerebrali (es. insula anteriore, corteccia prefrontale dorsolaterale), proprio come farebbe un neuroradiologo esperto.

3. Costruzione del JSON strutturato

Le informazioni spaziali, quantitative e prestazionali (es. punteggi Dice, aree colpite, modello usato) vengono trasformate in un file JSON strutturato, che rappresenta il “contesto” da fornire al modello linguistico. Questo step è cruciale per limitare le allucinazioni: l’LLM non inventa, ma genera testo solo sulla base di dati reali e verificati.

Ecco un estratto del template JSON usato:

jsonCopiaModifica{
  "MRI_Scan": {
    "Tumor_Details": {
      "Spatial_Distribution": [
        {
          "Region": "insula sinistra",
          "Percentage_of_Tumor": "18%",
          "Percentage_of_Region_Affected": "22%"
        }
      ],
      "Semantic_Segmentation": {
        "Tumor_Core": { "Color": "red" },
        "Peritumoral_Edema": { "Color": "yellow" },
        "GD_Enhancing_Tumor": { "Color": "green" }
      },
      "Segmentation_Confidence": {
        "Dice_Score": {
          "Enhancing_Tumor": "0.88",
          "Tumor_Core": "0.91",
          "Whole_Tumor": "0.93",
          "Average": "0.90"
        }
      },
      "Model_Used": "SegResNet"
    }
  }
}

4. Prompting del modello linguistico

Infine, il JSON viene fornito in input a un modello LLM avanzato – tra cui Llama 3 (70B), Mistral (24B) e Gemma 9B – tramite un prompt progettato per imitare lo stile dei referti radiologici. Il risultato? Un testo clinico leggibile, coerente e contestualizzato, che riporta la sede, l’estensione e l’impatto funzionale delle lesioni.

Esempio di output da Llama:

“La lesione è localizzata prevalentemente nella corteccia parietale posteriore sinistra, coinvolgendo circa il 22% della regione. Il tumore si estende anche all’insula e al lobo temporale. I valori di Dice Score indicano un’elevata affidabilità nella segmentazione. Si suggerisce approfondimento clinico per valutare possibili deficit sensoriali associati.”

Applicazioni cliniche: tumori cerebrali e sclerosi multipla – LLM per Diagnosi Medica

Il sistema è stato validato in due scenari reali altamente complessi:

● Tumori cerebrali (gliomi)

Utilizzando il dataset BraTS 2023 (1.470 pazienti con glioma), il modello ha segmentato con successo tre componenti tumorali su quattro immagini MRI per paziente. Grazie alla mappatura anatomica, è stato possibile correlare le aree colpite a potenziali deficit neurologici, ad esempio: compromissione del linguaggio se coinvolta l’area di Broca.

● Sclerosi multipla

Il framework è stato testato anche su lesioni da SM, utilizzando i dataset MSSEG-1, ISBI e PubMRI. I modelli hanno segmentato le lesioni della sostanza bianca cerebrale con buone prestazioni (nDSC fino a 0.71). I referti generati riportano l’estensione delle lesioni, la loro posizione nelle vie nervose e la possibile progressione della malattia.

LLM per Diagnosi Medica a confronto: chi scrive meglio?

Tre modelli linguistici sono stati confrontati su diversi parametri: diversità lessicale, leggibilità (Flesch Reading Ease), coerenza semantica e copertura informativa. Il modello Llama 3 è risultato il più equilibrato, con prestazioni superiori su quasi tutte le metriche, inclusa la coerenza dei testi.

Tutti i modelli sono stati guidati da prompt specifici e dati strutturati, riducendo il rischio di allucinazioni. Il sistema, infatti, incorpora una strategia che considera solo le 5 aree cerebrali più colpite per limitare l’impatto di segmentazioni errate. Questo approccio ha ridotto del 98% la propagazione di errori nei referti.

Codice open source: pronto per essere testato – LLM per Diagnosi Medica

L’intero framework è disponibile su GitHub, completo di codice, dati di esempio e pipeline per la riproduzione QUI.

È possibile testare il sistema su immagini MRI proprie, adattarlo ad altri organi (fegato, polmoni, ecc.) oppure integrarlo con LLM aziendali o API cliniche.

Conclusioni: un nuovo paradigma per l’AI spiegabile in sanità

Questa ricerca apre un nuovo orizzonte per l’applicazione dell’AI in medicina: non solo predizioni accurate, ma spiegazioni clinicamente comprensibili. Il sistema proposto riesce a tradurre dati grezzi (immagini) in conoscenza strutturata e linguaggio naturale, emulando il ragionamento diagnostico dei medici.

L’integrazione di atlanti anatomici, segmentazione semantica e LLM rappresenta un salto qualitativo nell’intelligenza artificiale spiegabile, in linea con le esigenze della medicina moderna: trasparenza, sicurezza e collaborazione tra uomo e macchina.

(fonte)

Vuoi approfondire l’AI generativa in ambito medico e aziendale?

Innovaformazione propone corsi specialistici su AI generativa e LLM pensati per sviluppatori, aziende sanitarie e realtà biotech. Dai prompt personalizzati all’integrazione in flussi clinici, i corsi offrono strumenti pratici per portare l’intelligenza artificiale nel tuo lavoro quotidiano.

Trovate sul nostro sito l’elenco Corsi AI Generativa.

Per altri articoli tecnici consigliamo di navigare sul nostro blog QUI.

INFO: info@innovaformazione.net – tel. 3471012275 (Dario Carrassi)