Dr. Marco V. Benavides Sánchez. Medmultilingua.com /

Il cancro del colon-retto continua a essere una delle principali cause di morte per tumore nel mondo, nonostante in molti casi possa essere prevenuto. La chiave risiede nella diagnosi precoce dei polipi durante la colonscopia, una procedura che rimane il gold standard, ma che non è priva di limitazioni umane: affaticamento dell’endoscopista, variabilità tra osservatori e lesioni difficili da identificare, come i polipi piatti o parzialmente nascosti.

In questo contesto, l’intelligenza artificiale (IA) è diventata un alleato sempre più rilevante. Uno studio recente pubblicato sulla rivista Artificial Intelligence in Medicine propone UKAN-CBAM, un modello avanzato di segmentazione delle immagini che mira a supportare lo specialista nella rilevazione automatica dei polipi colorettali con maggiore precisione, efficienza e interpretabilità.

Oltre il classico U-Net

Per anni, l’architettura U-Net è stata la base di numerosi sistemi di segmentazione medica. Il suo design a forma di “U” consente di analizzare simultaneamente i dettagli fini di un’immagine e il suo contesto globale, aspetto essenziale nell’endoscopia digestiva. Tuttavia, il nuovo approccio non si limita a riutilizzare questa struttura classica, bensì la ripensa dalle fondamenta.

UKAN-CBAM integra due componenti chiave che fanno la differenza. La prima sono le Kolmogorov-Arnold Networks (KAN), una famiglia emergente di reti neurali che utilizzano funzioni spline apprendibili invece delle attivazioni convenzionali. Ciò permette di modellare relazioni complesse con meno parametri, riducendo le dimensioni del modello e migliorandone l’interpretabilità.

Il secondo componente è il Convolutional Block Attention Module (CBAM), un meccanismo di attenzione che aiuta la rete a concentrarsi sulle regioni più rilevanti dell’immagine. In pratica, questo significa che l’IA impara a “guardare” con maggiore attenzione quelle aree in cui è più probabile che esista un polipo, anche quando la lesione è piccola o poco evidente.

Risultati clinicamente rilevanti

Il modello è stato addestrato con il dataset Kvasir-SEG e validato su molteplici basi dati esterne, tra cui CVC-ClinicDB, CVC-ColonDB, EndoScene, PolypGen, ETIS-LaribPolypDB e Piccolo. Inoltre, gli autori hanno eseguito una validazione incrociata a 10 fold per garantire la robustezza e la capacità di generalizzazione del sistema.

I risultati sono eloquenti. UKAN-CBAM ha raggiunto un mDice del 93,80%, un mIoU dell’89,18%, una precisione del 95,65%, un recall del 92,02% e un’accuratezza complessiva del 96,21%, superando numerosi metodi di riferimento considerati stato dell’arte. Al di là delle metriche, il modello si è distinto per la sua efficienza computazionale: richiede appena 55,99 MB di memoria, esegue 5,214 GFLOP e può elaborare un’immagine in circa 122 millisecondi, rendendolo idoneo per applicazioni in tempo reale.

Interpretabilità: una condizione chiave per l’adozione clinica

Una delle grandi sfide dell’IA in medicina è la fiducia. I clinici hanno bisogno di capire perché un algoritmo prende una decisione. Su questo punto, UKAN-CBAM offre un vantaggio importante: incorpora visualizzazioni mediante mappe di caratteristiche, mappe di calore e Grad-CAM, che mostrano chiaramente quali regioni dell’immagine influenzano la predizione.

Inoltre, le analisi di ablazione e i test statistici —compresi i test t appaiati, gli intervalli di confidenza e le deviazioni standard— hanno confermato che i miglioramenti osservati sono statisticamente significativi e non frutto del caso.

Un passo deciso verso la colonscopia assistita da IA

UKAN-CBAM non intende sostituire l’endoscopista, bensì agire come un assistente costante che riduca le omissioni, migliori la diagnosi precoce e aumenti la sicurezza del paziente. Questo lavoro rappresenta un esempio chiaro della direzione verso cui si sta muovendo l’intelligenza artificiale medica: modelli più compatti, più spiegabili e meglio adattati all’ambiente clinico reale.

La combinazione di attenzione, efficienza e interpretabilità segna un punto di svolta nella rilevazione assistita dei polipi e rafforza il ruolo dell’IA come strumento chiave nella prevenzione del cancro colorettale.

---

Riferimento

Ahamed, M. F., Shafi, F. B., Islam, M. R., Nabi, M. F., & Haider, J. (2026). Rethinking U-Net architecture in medical imaging: Advancing the efficient and interpretable UKAN-CBAM framework for colorectal polyp segmentation. Artificial Intelligence in Medicine, 103352. https://doi.org/10.1016/j.artmed.2026.103352

#ArtificialIntelligence #Medicine #Surgery #Medmultilingua