In Radiologia Convenzionale, il Tecnico Sanitario di Radiologia Medica gioca un ruolo centrale nella garanzia della qualità del dato radiologico.
Quando si parla di Valutazione della Qualità, si fa riferimento all’analisi critica che il professionista compie sull’immagine, subito dopo l’acquisizione e prima dell’invio al sistema PACS, verificando sia la qualità tecnica (esposizione, contrasto, collimazione), che la qualità iconografica.
Nella proiezione laterale del ginocchio, un criterio di correttezza fondamentale è l’allineamento dei condili femorali, ovvero la perfetta sovrapposizione geometrica del condile mediale e di quello laterale.
Un posizionamento impreciso è tra le cause principali di scarto dell’immagine, fattore che aumenta il Tasso di Ripetizione (Retake Rate), stimato tra l’8% e il 10,3%, che comporta anche una sovraesposizione al paziente, seppur ridotta.
In questo scenario, entra in gioco l’Intelligenza Artificiale con modelli di Deep Learning, progettati per fornire un riscontro, in tempo reale, sulla qualità dell’immagine. L’implementazione di questi sistemi introduce tuttavia dinamiche professionali e cognitive complesse, come il Bias di Automazione, ossia la tendenza ad affidarsi al giudizio del software, e la Decision Switching (inversione decisionale), fenomeno per cui l’operatore modifica la propria decisione, lasciandosi influenzare da un suggerimento esterno errato.
Lo studio di Lysdahlgaard e collaboratori ha indagato, in modo sperimentale e randomizzato, come il feedback visivo di un’AI influenzi la scelta del TSRM nell’accettare o scartare le radiografie laterali del ginocchio, per errori di posizionamento.
Il modello di AI implementato è una rete neurale convoluzionale ibrida, basata sull’architettura Xception e addestrata su 4.000 radiografie, per classificare l’allineamento dei condili femorali, come accettabile o da scartare, confrontandosi con uno standard di riferimento, stabilito da operatori esperti.
La sperimentazione si è svolta durante il congresso ECR 2025 a Vienna, coinvolgendo 89 partecipanti (31 TSRM, 18 studenti TSRM, oltre a educatori e ricercatori). I partecipanti hanno valutato 50 casi in formato DICOM su monitor dedicati. Tra i casi mostrati, sei radiografie sono state volutamente ripetute, presentando un falso feedback dell’AI, per testare la stabilità decisionale degli operatori.
Dall’analisi dei risultati è emerso che il modello di AI, da solo, presentava una sensibilità elevata, identificando bene immagini non idonee, ma, allo stesso tempo, una specificità molto bassa, dimostrandosi eccessivamente conservativo e classificando come non accettabili 19 radiografie in realtà corrette.
Nella valutazione umana, invece, la sensibilità degli operatori nell’individuare posizionamenti errati, è rimasta identica sia con il supporto dell’IA sia senza, mentre la specificità è leggermente calata, dal 63% senza AI al 56% con l’AI, così come il valore predittivo positivo (PPV), passato dal 71% al 67%.
In conclusione, questo studio dimostra che i TSRM possiedono solide competenze autonome nella valutazione della qualità radiografica e che l’introduzione acritica dell’IA non migliora le prestazioni, rischiando al contrario di ridurre la coerenza professionale, se l’algoritmo è sbilanciato o conservativo.
Conoscere l’anatomia, i parametri di esposizione, assieme alla AI literacy, consente al TSRM di mantenere la propria autonomia decisionale, evitare ripetizioni ingiustificate e produrre un dato caratterizzato da un’elevata accuratezza diagnostica, a supporto dell’intero percorso radiologico del paziente.
Fonte: S. Lysdahlgaard, J. Jensen, M.R.V. Pedersen et al., Quality assessment of radiographs through AI-driven feedback: A
randomized comparative study on radiographer response in lateral knee radiographs, Radiography, https://doi.org/10.1016/j.radi.2026.103577
