L’integrazione di modelli di intelligenza artificiale nella lettura delle immagini da Pap test può migliorare l’accuratezza diagnostica e l’efficienza dello screening del tumore della cervice uterina. È quanto emerge da una revisione sistematica pubblicata nel 2026 su BMC Cancer, che ha analizzato il ruolo di algoritmi di machine learning e deep learning applicati alla diagnostica citologica.
Il lavoro, condotto da un gruppo di ricerca iraniano, ha incluso 22 studi quantitativi dedicati all’impiego di soluzioni basate su intelligenza artificiale per la classificazione e la diagnosi automatizzata delle immagini citologiche da Pap test. Gli studi considerati hanno valutato diverse architetture algoritmiche, con particolare attenzione ad accuratezza, errore diagnostico e principali misure di performance.
Dalla sintesi dei dati emerge che numerosi modelli, soprattutto quelli basati su reti neurali profonde, hanno raggiunto performance diagnostiche elevate, con accuratezze superiori al 90% in diversi studi. Questi risultati suggeriscono che l’AI possa rappresentare uno strumento di supporto alla lettura citologica, contribuendo a ridurre il carico di lavoro, accelerare i tempi di refertazione e migliorare l’identificazione precoce delle lesioni cervicali.
Il dato va tuttavia interpretato con cautela. Gli studi inclusi presentano differenze rilevanti per dataset, qualità delle immagini, architetture utilizzate, modalità di validazione e contesti applicativi. Per questo motivo, i risultati non consentono ancora di definire un’unica accuratezza complessiva né di considerare questi sistemi come sostitutivi della valutazione citologica convenzionale.
Nel complesso, la revisione conferma il potenziale dell’intelligenza artificiale come supporto alla diagnosi e allo screening del tumore della cervice uterina. Prima di una piena integrazione nella routine clinica e nei programmi istituzionali di screening, saranno però necessarie ulteriori ricerche di elevata qualità metodologica, volte a validare riproducibilità, affidabilità e impatto clinico dei modelli su casistiche reali e su ampia scala.
BMC Cancer, 26(1), 1113. doi:10.1186/s12885-026-16427-y
