I sistemi AI multimodali rappresentano una delle frontiere più avanzate dell’intelligenza artificiale in medicina: elaborano contemporaneamente testo clinico, immagini diagnostiche, dati genomici e segnali biometrici. Questa capacità apre scenari di applicazione prima impossibili, ma introduce anche nuove complessità per la validazione e la governance.
Cosa Sono i Sistemi AI Multimodali?
A differenza dei modelli unimodali (es. solo immagini o solo testo), i sistemi multimodali integrano informazioni provenienti da modalità diverse in un’unica rappresentazione. In medicina, questo si traduce in modelli capaci di correlare:
- Immagini diagnostiche (RX, TC, RM) + referto testuale del radiologo
- Dati genomici + storia clinica del paziente
- Segnali vitali + note infermieristiche + farmaci somministrati
Applicazioni in Ambito Farmaceutico e GxP
Per il settore farmaceutico e delle scienze della vita, le applicazioni dei sistemi AI multimodali includono:
- Analisi integrata di imaging + dati di spettrometria per quality control
- Supporto alla farmacovigilanza con elaborazione integrata di testi + dati strutturati
- Drug discovery: correlazione tra struttura molecolare (immagini) e proprietà chimiche (dati)
Sfide per la Validazione
I sistemi multimodali introducono complessità specifiche per la validazione GxP:
- Intended use più complesso: il perimetro di applicazione deve specificare ogni modalità di input
- Test set multidimensionale: il test set deve coprire tutte le combinazioni di modalità
- Explainability più difficile: attribuire il peso di ogni modalità nella decisione finale
- Drift monitoring per ogni modalità: il performance monitoring deve coprire tutti i canali di input
L’Annex 22 Consultation Guideline non distingue esplicitamente tra sistemi unimodali e multimodali, ma i requisiti di intended use, test governance e explainability si applicano con maggiore complessità ai sistemi multimodali. La classificazione statico/deterministico vs probabilistico rimane il criterio discriminante principale.
Riferimenti bibliografici
- Xu, Y., et al. (2024). A whole-slide foundation model for pathology from self-supervised contrastive learning. Nature. DOI: 10.1038/s41586-024-07441-w
- EMA. EudraLex Volume 4 – Annex 22 Consultation Guideline. Link al documento