L'intelligenza artificiale rivoluziona la medicina: come garantire equità nel campo dell'imaging medico?

Numerosi studi hanno dimostrato che i sistemi di intelligenza artificiale (AI) possono essere sistematicamente e ingiustamente pregiudicati nei confronti di alcune popolazioni in vari scenari. Il campo dell'imaging medico, dove i sistemi di AI stanno iniziando ad essere adottati sempre di più, non fa eccezione. Qui discutiamo il significato di equità in questo settore e commentiamo le possibili fonti di pregiudizi, oltre alle strategie disponibili per mitigarli. Infine, analizziamo lo stato attuale del campo, identificando punti di forza e sottolineando aree di carenza, sfide e opportunità che ci aspettano. Con la crescita esponenziale dello sviluppo di sistemi di intelligenza artificiale (AI) per l'analisi delle immagini mediche, ospedali e centri medici hanno iniziato a impiegare tali strumenti nella pratica clinica. Tuttavia, la comunità di ricerca sull'equità nell'apprendimento automatico (ML) ha evidenziato che i sistemi di ML possono essere pregiudicati nei confronti di alcune sottopopolazioni, nel senso che presentano prestazioni diverse per diversi sottogruppi definiti da attributi protetti come età, razza/etnia, sesso o genere, stato socioeconomico, tra gli altri. Nel campo della sanità, il potenziale comportamento disuguale degli algoritmi nei confronti di diversi sottogruppi di popolazione potrebbe addirittura essere considerato contrario ai principi della bioetica: giustizia, autonomia, beneficenza e non maleficenza. In questo contesto, promuovere l'equità nell'imaging medico diventa essenziale. Ma garantire l'equità nell'implementazione dei sistemi di ML non è un compito semplice: richiede affrontare diversi aspetti lungo l'intero percorso di progettazione, sviluppo e implementazione. Sebbene le implicazioni dell'equità nell'apprendimento automatico per il vasto campo della sanità siano state recentemente esaminate e discusse, in questo commento ci concentriamo sul sottocampo dell'imaging medico. Infatti, per quanto riguarda i pregiudizi nei sistemi di ML che possono favorire certe sottopopolazioni a scapito di altre, il campo dell'imaging medico non è l'eccezione. Nei paragrafi seguenti commenteremo il lavoro recente nel campo e evidenzieremo preziose aree di ricerca inesplorate, discutendo le potenziali sfide e le strategie disponibili.