Un vetrino istopatologico può contenere decine di migliaia di dettagli cellulari. Fino a oggi, i migliori modelli di intelligenza artificiale analizzavano quei dettagli classificandoli in categorie predefinite: carcinoma, benigno, sospetto. PRISM2, frutto della collaborazione tra Paige e Microsoft, rompe questo schema: non si limita a classificare, ma genera testo che risponde a domande diagnostiche, addestrandosi sul dialogo clinico estratto da 685.507 referti reali del Memorial Sloan Kettering Cancer Center.

L’architettura è un’operazione in due fasi che scommette su un compromesso tecnico ambizioso. Nella prima fase, un encoder percettivo aggrega le rappresentazioni dei singoli riquadri tissutali (tile) in un unico vettore che rappresenta l’intero vetrino. Due funzioni di costo lavorano contemporaneamente: una contrastiva, guidata dagli embedding testuali di BioGPT, allinea la rappresentazione del vetrino al linguaggio dei referti; una autoregressiva, che usa Phi-3 Mini, costringe l’encoder a generare direttamente testo. L’idea è che il solo addestramento contrastivo produca embedding utili per il recupero ma deboli per la generazione, mentre quello autoregressivo rischia di memorizzare pattern testuali superficiali poco trasferibili al dominio visivo. L'uso congiunto delle due perdite è la scommessa architetturale di PRISM2.

La seconda fase congela l’encoder e fa lavorare il modello linguistico (4 miliardi di parametri) sul dialogo sanitario, insegnandogli le convenzioni dei referti patologici senza toccare la meccanica visiva. Da questa struttura emergono due tipi di embedding: uno “base”, direttamente dall’encoder, che si trasferisce bene su compiti come la previsione di biomarcatori; uno “diagnostico”, estratto dallo stato nascosto del modello linguistico dopo che ha processato insieme i segnali del vetrino e il prompt testuale, ottimizzato specificamente per rilevazione e sottotipizzazione del cancro. Per i compiti di sopravvivenza viene addirittura messo a punto un terzo embedding separato.

I numeri sono solidi. PRISM2 eguaglia o supera l’accuratezza bilanciata di prodotti clinici calibrati per cancro alla prostata e al seno, e batte Paige BLN sui linfonodi mammari senza ulteriore addestramento specifico. Nell’individuazione pan-cancro l’AUC dell’embedding diagnostico arriva a 0,967, contro 0,956 di quello base e 0,947 del modello PRISM precedente. Uno studio di ablazione mostra che l’aggiunta di modelli di dialogo aumenta l’inference basata su prompt da 0,498 a 0,653 di accuratezza bilanciata, e circa metà del miglioramento diagnostico complessivo viene attribuito all’aumento di scala del dataset di domande e risposte, 3,5 volte maggiore di quello usato per il PRISM originale.

Ma è proprio il percorso con cui quel dataset è stato costruito a sollevare qualche perplessità. I 685.507 referti sono stati trasformati in coppie domanda-risposta da GPT-4o, una pipeline di dati sintetici che ha richiesto un controllo di qualità indipendente. Un patologo ha esaminato 50 campioni: gli errori nelle domande a risposta aperta e a scelta multipla si fermano al 3%, ma salgono all’8% per i riepiloghi diagnostici e al 18% per le domande sì/no, spesso irrilevanti o imprecise. Anche le risposte di PRISM2 non sono immuni: gli errori di QA arrivano al 7-11%, causati soprattutto da allucinazioni e omissioni, più che da contraddizioni fattuali con il vetrino.

Il vero punto di attrito, però, è la riproducibilità. I pesi del modello sono disponibili su Hugging Face, ma le pipeline di addestramento e inference dipendono da infrastrutture proprietarie di Paige e Microsoft. Questo significa che un team esterno può eseguire inference con i pesi rilasciati, ma non può ricreare l’intero flusso di lavoro — una lacuna che pesa su chi vuole portare questi modelli in ambienti on-premise per mantenere i dati dei pazienti sotto controllo. Anche la generazione del dataset sintetico richiede l’uso di GPT-4o, un modello chiuso, creando un ulteriore anello di dipendenza esterno. Per chi valuta deployment on-premise di AI medica, AI-RADAR offre framework analitici su /llm-onpremise per soppesare questi trade-off.

A queste limitazioni si aggiungono assenze tecniche che una squadra ML non può ignorare: il modello non ha alcuna codifica posizionale tra i riquadri, quindi non può ragionare sulla disposizione spaziale delle strutture all’interno del vetrino, e ogni scansione è stata eseguita a una singola risoluzione fissa di 0,5 micron per pixel, usando un solo tipo di scanner (quelli del MSK). Estendere PRISM2 a magnificazioni variabili o a centri diversi richiederà una validazione indipendente. La strada per un’AI patologica realmente sovrana e riproducibile è ancora in salita, ma questo lavoro conferma che il linguaggio clinico può diventare un supervisore efficace quando la scala è sufficiente. Riuscire a farlo senza incatenarsi a infrastrutture proprietarie è la prossima sfida.