Un modello di AI, molti test oncologici: incontra PRISM2, il sistema di patologia che legge immagini e referti insieme

Punti chiave

• Microsoft Research e Paige, ora parte di Tempus, hanno pubblicato i dettagli di PRISM2 in Nature Medicine nel 2025.
• PRISM2 ha eguagliato o superato gli strumenti AI specializzati nel rilevamento del cancro alla prostata, del cancro al seno e delle metastasi linfonodali nel seno nei test di benchmark.
• Il modello ha imparato da milioni di immagini di tessuti abbinate e estratti reali di referti patologici, collegando i modelli visivi al linguaggio clinico.
• I pesi del modello completo sono disponibili pubblicamente su Hugging Face per uso nella ricerca non commerciale.

Quando si sospetta che un paziente abbia il cancro, uno dei passaggi più importanti è una biopsia: un piccolo campione di tessuto viene prelevato, preparato su un vetrino e esaminato al microscopio da un patologo, un medico specializzato nella diagnosi di malattie dal tessuto. Il patologo redige un rapporto dettagliato, e quel rapporto determina quasi ogni decisione terapeutica che segue.

L'AI si è infiltrata in questo processo per anni, principalmente sotto forma di strumenti ristretti e a scopo unico, addestrati per individuare un tipo specifico di cancro. Pensali come assistenti molto veloci e molto focalizzati che possono fare esattamente un lavoro e niente altro. Crea un nuovo lavoro, ricomincia.

PRISM2 è un tentativo di cambiare questo approccio.

Cosa hanno effettivamente costruito i ricercatori?

PRISM2 è un foundation model, un grande sistema di AI addestrato ampiamente in modo da poter essere adattato a molti compiti, simile nel concetto alla tecnologia dietro ChatGPT ma progettato per immagini mediche piuttosto che per conversazioni generali.

I ricercatori di Microsoft Research e Paige (un'azienda di AI patologica che successivamente si è unita a Tempus) hanno addestrato il modello su immagini di vetrini tissutali abbinate al linguaggio tratto da referti patologici reali. Da questo accoppiamento, hanno generato milioni di esempi di domande e risposte, insegnando al modello di collegare ciò che vede in un'immagine tissutale con le parole che un patologo userebbe per descriverlo.

Il risultato è un modello che accetta solo immagini, oppure immagini più domande e prompt digitati, consentendo ai ricercatori di interagire con esso in linguaggio naturale piuttosto che attraverso istruzioni rigide e preprogrammate.

Quanto bene ha funzionato?

Nei test di benchmark standard, si è retto bene contro gli strumenti specializzati. Nel rilevamento del cancro alla prostata, del cancro al seno e del rilevamento del cancro al seno che si era diffuso ai linfonodi vicini, PRISM2 ha eguagliato o superato le prestazioni dei sistemi costruiti per uno scopo specifico. Crucialmente, ciò è avvenuto senza addestrare un modello separato per ogni malattia.

L'articolo è apparso in Nature Medicine. Come riferito per la prima volta da Microsoft AI, i pesi del modello completo sono disponibili pubblicamente su Hugging Face per uso nella ricerca.

Cosa significa questo per i pazienti?

Nulla cambia in clinica oggi. PRISM2 è uno strumento di ricerca, non un prodotto approvato per uso clinico. I patologi sono ancora coloro che leggono i vetrini e redigono i referti.

Ciò che offre è una scorciatoia più veloce per la ricerca futura. I team che lavorano su tumori rari o malattie con dati di addestramento limitati potrebbero potenzialmente adattare una singola base condivisa invece di costruire un nuovo sistema da zero. Ciò riduce il costo e il tempo di sviluppo della prossima generazione di ausili diagnostici.

Per i pazienti, la conseguenza pratica, se la ricerca matura, è che l'assistenza dell'AI potrebbe raggiungere più tipi di cancro, in più ospedali, più velocemente di quanto l'attuale approccio uno-malattia-alla-volta consente.

Domande comuni

PRISM2 viene utilizzato per diagnosticare pazienti reali?

No. PRISM2 è un modello di ricerca rilasciato per uso accademico e non commerciale. Non è stato approvato da alcuna autorità di regolamentazione per la diagnosi clinica.

Perché l'addestramento su referti testuali è importante per un modello che legge immagini?

La patologia riguarda tanto il linguaggio quanto le immagini. I patologi descrivono quello che vedono con parole precise e standardizzate. Addestrare il modello sia su immagini che su quelle descrizioni gli consente di imparare il collegamento tra i modelli visivi e il significato clinico, rendendolo più flessibile rispetto a un modello addestrato solo su immagini.

Chi può accedere a PRISM2?

I ricercatori possono scaricare i pesi del modello da Hugging Face gratuitamente per uso non commerciale.