La previsione “L’AI sostituirà i radiologi” ha nove anni. Quindi, dove siamo?

Nei nove anni fa, una delle voci più influenti dell’AI ha detto che le persone dovrebbero “smettere di formare i radiologi ora”. Nel 2016, quella previsione sembrava il tipo di previsione che solo un tecnologo coraggioso avrebbe fatto ad alta voce. La visione computerizzata stava procedendo velocemente, l’imaging medico sembrava un adattamento perfetto e la radiologia sembrava, dall’esterno, una specialità costruita attorno al riconoscimento di pattern. Se l’apprendimento profondo poteva battere gli esseri umani nelle immagini, molte persone hanno assunto che il resto sarebbe caduto come domino.

Ora abbiamo abbastanza distanza per giudicare quella previsione in modo appropriato. La versione breve è che i radiologi sono ancora qui, ancora sovraccarichi e ancora richiesti. In luoghi come il Mayo Clinic, lo staff di radiologia è cresciuto notevolmente da quella previsione, mentre l’American College of Radiology e Neiman HPI hanno continuato ad avvertire sulla tensione della forza lavoro e sulla crescente domanda di imaging. La profezia non si è avverata. La domanda più interessante è perché.

La previsione ha colto nel segno la parte dell’immagine, ma ha sbagliato il lavoro

La rivendicazione originale ha fatto un’enorme assunzione: che leggere le immagini è fondamentalmente l’intero lavoro e che la medicina è così facile come la contabilità in termini di implementazione dell’AI. Quella è la parte che le persone dell’AI hanno continuato a concentrarsi, perché si adattava perfettamente alla cultura del benchmark.

I radiologi clinici interpretano le immagini, sì, ma corrono anche cliniche, prendono campioni di biopsia, preparano i pazienti per la chirurgia e lavorano direttamente con altri clinici attorno alle decisioni di diagnosi e trattamento.

Quel ruolo più ampio conta più di quanto l’antica iperbole ammettesse. La Società Europea di Radiologia descrive i radiologi come medici, protettori, comunicatori, innovatori, scienziati e insegnanti. Quello è un bersaglio molto più complicato per l’automazione rispetto a “persona che individua anomalie su una scansione”. Una volta che si smette di appiattire la specialità nel labeling delle immagini, la previsione mancata inizia a fare molto più senso.

Poi c’è il lato della domanda, che il discorso sull’AI tende a ignorare ogni volta che si concentra troppo sulla sostituzione. Neiman HPI ha previsto che l’offerta di radiologi aumenterà del 25,7% dal 2023 al 2055 nelle condizioni attuali, ma ha stimato che la domanda di imaging potrebbe aumentare del 16,9% al 26,9% nello stesso periodo a seconda della modalità.

Ciò non descrive una professione diretta verso l’estinzione. Descrive un sistema che cerca di tenere il passo. L’aggiornamento della forza lavoro dell’ACR del 2026 fa lo stesso punto di base: le carenze e i volumi in aumento stanno esercitando una pressione reale sul campo in questo momento.

L’AI ha cambiato assolutamente la radiologia, ma non nel modo da trailer del film

Nessuno di questo significa che l’AI abbia fallito. Al contrario. L’elenco dei dispositivi medici abilitati all’AI della FDA continua ad espandersi e la radiologia rimane una delle più grandi concentrazioni di quegli strumenti. Anche i primi sondaggi ospedalieri hanno trovato che la radiologia era dove la maggior parte degli strumenti di imaging medico abilitati all’AI della FDA venivano utilizzati e rapporti più recenti indicano che l’adozione si sta diffondendo in una grande parte dei dipartimenti di radiologia degli Stati Uniti. Ciò significa che il vendor lock-in è stato bloccato sul nascere.

Ciò che viene effettivamente adottato è indicativo. Gli ospedali nel sondaggio di Pew hanno utilizzato più spesso l’AI per l’interpretazione e l’analisi delle immagini, la priorità della lista di lavoro e il supporto al flusso di lavoro. Nella pratica, ciò significa velocizzare i casi urgenti, affinare le immagini, aiutare con la quantificazione, segnalare le probabili anomalie e assistere sempre più con la fatica della stesura dei referti che consuma così tanto tempo dei radiologi. Quello è un valore reale. È solo una storia molto diversa da sale di lettura vuote e licenziamenti.

La prova più forte continua a puntare nella stessa direzione: casi d’uso ben integrati e ristretti possono funzionare. Uno studio prospettico su Nature Medicine sulla screening del seno ha trovato che un flusso di lavoro di lettura aggiuntiva assistita dall’AI ha migliorato la rilevazione precoce del cancro con un numero minimo di richiami aggiuntivi. L’RSNA ha anche evidenziato i dati danesi che suggeriscono l’AI può ridurre notevolmente il carico di lavoro della mammografia senza danneggiare la precisione della rilevazione del cancro. Quello è un risultato serio. È anche una vittoria del flusso di lavoro, non una storia di sostituzione pulita.

Il motivo per cui la sostituzione continua a essere ritardata è che la medicina è più difficile di una demo

Uno dei più utili controlli della realtà è venuto da uno studio su Nature Medicine che ha esaminato 140 radiologi in 15 compiti di radiografia del torace. L’assistenza all’AI non ha migliorato tutti nello stesso modo. Alcuni radiologi sono migliorati con esso. Altri sono peggiorati. L’effetto dipendeva dal clinico e dalla qualità del modello. La sintesi di Harvard dello studio l’ha detto chiaramente: gli strumenti di AI più forti hanno migliorato le prestazioni dei radiologi, mentre quelli più deboli potevano trascinarle giù. Quello non è il comportamento di una tecnologia di sostituzione pronta all’uso.

L’integrazione è un altro muro di mattoni che la previsione del 2016 ha appena considerato. Una revisione recente sull’integrazione efficace dell’AI nella radiologia ha notato che i sistemi attuali ancora lottano per incorporare i dati clinici e l’imaging precedente o contemporaneo, il che può portare a errori.

I dati di deploy nel mondo reale da una rete di imaging svizzera hanno mostrato guadagni di efficienza misurabili, ma anche barriere persistenti come la scarsa integrazione dei referti e problemi di tempistica, con solo una minoranza dei risultati dell’AI disponibili prima della segnalazione. Risulta che inserire un algoritmo in un flusso di lavoro ospedaliero è molto più difficile che battere un set di test.

Poi c’è la governance, che continua a riportare la conversazione sulla terra. Pew ha trovato che l’adozione precoce degli ospedali spesso è arrivata con un pilotaggio e un monitoraggio sottili. La FDA richiede ancora una revisione pre-mercato per molti dispositivi e solo questo mese ha respinto una petizione che cercava di facilitare la revisione dei requisiti per alcuni prodotti di radiologia AI, citando preoccupazioni sulla sicurezza e le prestazioni. Inoltre, la responsabilità legale negli Stati Uniti si trova ancora in gran parte con il medico e il sentimento dei pazienti rimane abbastanza chiaro: le persone possono apprezzare l’AI in linea di principio, ma vogliono ancora una supervisione umana nel loop.

Conclusione

Quindi, dove siamo? Non siamo nel mondo che la vecchia intestazione ha promesso. Siamo in un mondo più credibile, dove la radiologia è diventata uno dei terreni di prova più importanti della medicina per l’AI, ma la specialità stessa è rimasta in piedi perché il lavoro era più ampio, più clinico e più socialmente responsabile di quanto la previsione assumesse.

Ciò significa anche che la prossima domanda non dovrebbe essere se l’AI sostituisce i radiologi. Quella cornice sta diventando stantia. La domanda più acuta è chi assorbe i guadagni di produttività, quanto sono sicuri gli strumenti in ambienti reali disordinati e se un software migliore allevia l’esaurimento o semplicemente solleva le aspettative per team già tesi.

Anche la posizione attuale di Geoffrey Hinton è molto più vicina alla verità rispetto alla dichiarazione del 2016. Il futuro sembra più come radiologo più AI che radiologo contro AI. Quello è meno drammatico, meno cliccabile e molto più vicino a ciò che sta effettivamente accadendo.