Quando un algoritmo prende decisioni che riguardano la vita delle persone, chiedergli di «spiegarsi» non è un vezzo accademico: è un vincolo legale, etico e operativo. Il nuovo framework iLENS, pensato per l’analisi di sopravvivenza nella malattia di Alzheimer, mette al centro proprio questo principio. L’architettura usa un Large Language Model per guidare un sistema di Mixture-of-Experts (MoE), incrociando dati strutturati di neuroimaging con informazioni cliniche non strutturate, con l’obiettivo dichiarato di produrre predizioni interpretabili e motivazioni biologicamente fondate.

La carta vincente del progetto non è tanto la performance predittiva, già competitiva, quanto il modo in cui squarcia il velo delle black box. In un ambito dove il Regolamento europeo sulla protezione dei dati personali impone la «spiegabilità» delle decisioni automatizzate, iLENS risponde con una pipeline che, invece di limitarsi a emettere un rischio, indica perché un certo profilo di paziente evolve verso la demenza. Lo fa instradando attivazioni di esperti specifici in base a relazioni sintetizzate proprio dal modello linguistico.

Per chi lavora su stack locali, il segnale è forte. La medicina è uno dei pochi settori in cui il self-hosting non è una scelta architetturale ma una necessità dettata da compliance e sovranità del dato. Le neuroimmagini e le cartelle cliniche non possono transitare su API cloud di terze parti senza sollevare problemi seri. iLENS, nel suo trasferire il carico di ragionamento sul LLM e delegare a esperti più snelli l’inference specifica, apre uno spiraglio concreto: un MoE ben orchestrato consuma meno risorse rispetto a un monolita generativo, rendendo più probabile il deployment on-premise anche su hardware privo di GPU da decine di gigabyte di VRAM.

Certo, senza dati pubblici su quantization o latenza, resta una scommessa. Ma il principio architetturale punta dritto verso un punto dolente: la tensione fra capacità espressiva del modello e costo computazionale. In ambienti ospedalieri, dove i cluster sono rari e il personale tecnico non è un data center, avere un LLM che «sceglie» quale esperto attivare può tradursi in meno token sprecati, meno energia e meno bisogno di acceleratori costosi.

Questo non è solo un problema di Total Cost of Ownership. È una partita sulla fiducia del clinico. Quando il medico legge una motivazione del tipo «l’aumento del volume ventricolare e il declino nel punteggio cognitivo X pesano sulla decisione di attivare l’esperto Y», siamo già oltre l’alibi della spiegazione post-hoc. È interpretabilità nativa, quella che gli enti regolatori considerano più solida.

Sul versante hardware, l’impatto indiretto è l’ennesima spinta verso infrastrutture edge di qualità medica: server compatti con FPGA o GPU a bassa potenza, pensati per l’inference di modelli linguistici quantizzati. Se architetture come iLENS dovessero consolidarsi, la domanda per dispositivi capaci di eseguire localmente LLM da 7–13 miliardi di parametri, magari con precisione INT8, diventerebbe meno una nicchia da laboratorio e più un capitolato di gara negli ospedali.

Il salto culturale è forse il guadagno maggiore. Per anni la diagnostica assistita dall’AI ha venduto accuratezza, finendo per scontrarsi con la riluttanza dei comitati etici. iLENS inverte l’ordine dei fattori: prima la trasparenza, poi la potenza statistica. Chi assembla soluzioni cliniche basate su LLM farebbe bene a prenderne nota, perché il GDPR non negozia.