In questo articolo
In radiologia si sbaglia più spesso di quanto si creda: la letteratura umana stima un tasso di errore giornaliero del 3-5% e retrospettivo intorno al 30%, per lo più errori di percezione (il reperto era visibile ma non è stato notato). La seconda lettura riduce i reperti mancati, e l'AI può fare da secondo paio d'occhi che segnala aree da controllare. Ma è un supporto: uno studio pilota JAVMA 2026 conferma che gli strumenti attuali non sono idonei a un uso diagnostico autonomo. Il veterinario valida sempre.
Sbagliare non è (solo) una questione di competenza. La percezione visiva ha limiti noti, e la radiologia — dove bisogna cercare piccoli reperti in immagini complesse, spesso a fine turno — è un terreno perfetto per l'errore umano. La buona notizia è che questi errori seguono schemi conosciuti, e ci sono strategie efficaci per ridurli. La più solida è tanto semplice quanto potente: far guardare l'immagine a più di un lettore.
Punti chiave
- La maggior parte degli errori è di percezione: il reperto era lì, ma è sfuggito.
- Stanchezza, carico di lavoro e soddisfazione della ricerca sono i grandi nemici.
- La doppia lettura è la strategia più consolidata per ridurre i reperti mancati.
- L'AI è un secondo paio d'occhi di supporto, non un sostituto del veterinario.
Quanto si sbaglia, davvero, in radiologia
I numeri più citati vengono dalla radiologia umana, ma la lezione è trasversale. Una revisione pubblicata su Insights into Imaging riporta un tasso di errore giornaliero medio del 3-5% degli esami refertati e un tasso retrospettivo intorno al 30% (cioè, rivedendo con calma casi già refertati, in circa un terzo si trova qualcosa da correggere o integrare).[1]
Un dato fa riflettere: già nel 1949 il radiologo Leo Garland osservò che clinici esperti mancavano reperti importanti in circa il 30% dei radiogrammi toracici positivi — e, come nota la RSNA, i tassi di errore sono rimasti in gran parte invariati nonostante decenni di progresso tecnologico.[2] Non è un problema di macchine migliori: è un limite della percezione umana.
Perché si perde un reperto visibile
La distinzione chiave è tra due tipi di errore:
| Tipo di errore | Cosa succede | Peso stimato |
|---|---|---|
| Percezione | Il reperto è visibile ma non viene notato | La categoria più frequente (~60-80%) |
| Cognitivo (interpretazione) | Il reperto è visto ma interpretato male | Una quota minore (~20-40%) |
Dietro l'errore di percezione ci sono cause ben studiate: stanchezza, interruzioni e carico di lavoro; il fenomeno della soddisfazione della ricerca (trovato un reperto, si smette di cercare e si perde il secondo); e l'ancoraggio al primo dettaglio vistoso.[1] Studi con eye-tracking hanno persino mostrato che, in molti casi mancati, l'occhio del lettore si era fermato sulla lesione senza che questa venisse riconosciuta consapevolmente.[2]
In ambito veterinario, la variabilità tra osservatori è documentata: uno studio JAVMA sul rilevamento di noduli polmonari in radiografie toraciche canine ha trovato una accuratezza maggiore nei radiologi certificati rispetto ai veterinari generici, con concordanza intra-osservatore quasi perfetta per gli specialisti e solo moderata per i generalisti.[3] È il motivo per cui una seconda opinione (umana o AI) ha valore.
La seconda lettura funziona (ed è ben documentata)
Il principio è disarmante nella sua semplicità: se un reperto sfugge a un lettore, c'è una possibilità che venga colto da un secondo. Nello screening mammografico la doppia lettura è pratica consolidata proprio per questo. E il passo successivo — aggiungere l'AI come lettore ulteriore — è oggetto di studi solidi: un lavoro pubblicato su Scientific Reports nel 2024 ha mostrato che, anche in un programma con doppia lettura indipendente, l'AI poteva individuare tumori altrimenti mancati, con l'ipotesi che una "tripla lettura" (AI più due radiologi) individuasse oltre l'82% dei casi altrimenti persi.[4]
Attenzione a leggere bene questo dato: non dice che l'AI è più brava dell'umano. Dice che due punti di vista diversi che guardano la stessa immagine catturano più reperti di uno solo. È il classico principio della rete di sicurezza.
L'AI come secondo paio d'occhi (con onestà)
Ecco il punto delicato, da trattare senza esagerazioni. L'AI è uno strumento eccellente per fare da seconda lettura di supporto: rilegge ogni immagine senza stancarsi, segnala aree da controllare, aiuta a confermare la normalità e riduce il rischio che un reperto sfugga per stanchezza o fretta. Ma non è un radiologo autonomo.
Lo studio pilota JAVMA 2026 (Murdoch University, radiografie addominali di 53 cani, sei piattaforme commerciali) è chiaro: le performance sono variabili e gli strumenti testati non sono idonei a un uso diagnostico autonomo, con il rischio concreto di overreliance (fidarsi troppo).[5] Gli autori stessi ricordano che parlare di "un semplice paio d'occhi in più" rischia di sottovalutare la responsabilità di chi poi agisce sul risultato: la duty of care resta al veterinario curante. La formula giusta è: l'AI completa la lettura esperta, non la sostituisce.
Dove aiuta l'AI (RefertAI)
RefertAI è un software di refertazione radiologica veterinaria di supporto, pensato proprio come seconda lettura. Oggi, sul torace, rileva reperti, mostra una heatmap Grad-CAM (dove guarda il modello) e genera una bozza di referto modificabile: aiuta a non perdere un reperto per stanchezza e fa risparmiare tempo nella stesura. Include il visore DICOM e la misura assistita. È in italiano nativo, con dati in UE/GDPR, senza lock-in, a 99 €/mese. La confidenza calibrata per reperto e il VHS automatico sono in arrivo. In ogni caso, il veterinario valida sempre.
Nota. Questo articolo ha scopo informativo/professionale e non sostituisce il giudizio clinico del medico veterinario. L'AI è un supporto, non uno strumento diagnostico autonomo.
Domande frequenti
Quanto sono comuni gli errori in radiologia?
Nella radiologia umana la letteratura stima un tasso di errore giornaliero medio del 3-5% degli esami refertati e un tasso retrospettivo intorno al 30%. La maggior parte sono errori di percezione: il reperto era visibile, ma non è stato notato. Anche in veterinaria esiste una variabilità significativa tra osservatori.
Che cos'è un errore di percezione?
È quando il reperto è presente e visibile, ma sfugge alla lettura. È la categoria più frequente di errore in radiologia e dipende da fattori come stanchezza, carico di lavoro, interruzioni e il fenomeno della soddisfazione della ricerca (ci si ferma al primo reperto).
La seconda lettura riduce gli errori?
Sì. Il principio è semplice: se un reperto sfugge a un lettore, c'è una possibilità che venga colto da un secondo. Nello screening mammografico la doppia lettura è pratica consolidata proprio per questo motivo, e aggiungere l'AI come lettore ulteriore può individuare casi altrimenti persi.
L'AI può fare da seconda lettura?
Sì, come supporto. L'AI funziona bene come secondo paio d'occhi che segnala aree da controllare e conferma la normalità, ma non sostituisce il veterinario: uno studio pilota JAVMA 2026 ha mostrato che i sistemi commerciali non sono idonei a un uso diagnostico autonomo. La decisione resta al medico.
L'AI aumenta o riduce il carico di lavoro?
Usata bene, alleggerisce: propone una bozza di referto e segnala reperti, riducendo il tempo dedicato alla stesura e aiutando a mantenere l'attenzione. Ma va usata come rete di sicurezza, non come pilota automatico: ogni segnalazione va verificata dal veterinario.
Fonti
- Brady AP. Error and discrepancy in radiology: inevitable or avoidable? Insights into Imaging, 2017. doi:10.1007/s13244-016-0534-1 — PMC5265198.
- RSNA News. Human error in radiology. 2022 — rsna.org.
- Reese DJ, et al. Detection of pulmonary nodules on thoracic radiographs (radiologists vs general practitioners). JAVMA, 2011 — PubMed 21492042.
- Jiang Z, et al. AI for interpreting screening mammograms: implications for missed cancer in double reading. Scientific Reports, 2024. doi:10.1038/s41598-024-62324-4 — nature.com.
- Ma D, et al. Pilot study: external validation of commercial veterinary radiology AI services… canine abdominal radiographs. JAVMA, 2026. doi:10.2460/javma.25.10.0691 — AVMA Journals.