Quando il fototipo influenza la performance degli algoritmi
L’intelligenza artificiale applicata all’imaging cutaneo sfrutta modelli di machine learning addestrati su grandi collezioni di immagini dermoscopiche o cliniche. In molti casi, questi dataset sono storicamente sbilanciati verso fototipi chiari e popolazioni specifiche per area geografica e setting assistenziale.
In dermatologia oncologica questo squilibrio può tradursi in performance diverse a seconda del colore della pelle: un algoritmo addestrato prevalentemente su fototipi chiari può risultare meno affidabile su fototipi più scuri. Il problema riguarda non solo il numero di immagini, ma anche la distribuzione delle diagnosi, delle sedi anatomiche e delle varianti cliniche rappresentate.
La questione tocca il tema dell’equità: se i sistemi di supporto decisionale vengono progettati e validati su campioni non rappresentativi, il rischio è consolidare differenze di accuratezza tra gruppi di pazienti. Il fototipo diventa un indicatore evidente di questa sottorappresentazione, ma possono concorrere anche differenze legate a genere, età, contesto socioeconomico e modalità di accesso ai servizi.
In questa prospettiva, il dataset non è un elemento neutro: il modo in cui vengono raccolte, selezionate e annotate le immagini influenza direttamente ciò che il modello imparerà a riconoscere come “tipico” o “atipico”. Una stessa lesione può presentarsi con caratteristiche cromatiche e morfologiche differenti in fototipi diversi; se queste varianti non sono adeguatamente rappresentate, il modello tenderà a ricondurre l’incertezza a categorie più familiari per i dati di addestramento.
Triage, teledermatologia e scorciatoie algoritmiche
Le applicazioni di AI oggi più concrete in dermatologia riguardano tre verbi chiave: controllare, smistare, misurare. Nel triage e nella teledermatologia i sistemi automatici o semi-automatici possono contribuire alla prioritizzazione (urgente vs programmabile), all’instradamento (sospetto oncologico vs infiammatorio vs infettivo) e alla selezione delle visite da eseguire in presenza.
In questo scenario i bias non derivano soltanto dal fototipo, ma dall’intero contesto di acquisizione delle immagini: illuminazione ambientale e bilanciamento del bianco, tipo di device, distanza dal soggetto, ombre, presenza di marcatori fisici come righelli, cerotti o sfondi ricorrenti.
Questi elementi possono diventare scorciatoie algoritmiche: il modello impara ad associare un righello o un certo sfondo a una maggiore probabilità di lesione maligna, perché nel dataset originario quei segnali erano più frequenti in casi già selezionati come sospetti. Su immagini provenienti da altri centri o da pazienti a domicilio, le prestazioni possono quindi cambiare in modo imprevedibile.
Per i progetti di teledermatologia, la standardizzazione dell’acquisizione assume un ruolo centrale. Più che imporre un protocollo rigido, si tratta di definire requisiti minimi condivisi (numero di scatti, inquadrature, distanza indicativa, uso del flash, eventuale dermatoscopia) che riducano la variabilità e rendano il modello meno dipendente dal contesto. Senza questa base comune, un sistema di triage può amplificare il rumore soprattutto per i fototipi e i dispositivi meno rappresentati in addestramento.
La piattaforma tecnologica può essere progettata per guidare chi acquisisce la foto attraverso passaggi standardizzati, spostando parte del controllo della qualità “a monte”, prima ancora che il modello di AI intervenga.
Digital biomarkers: seguire l’evoluzione senza perdere robustezza
Un’altra area di sviluppo riguarda il monitoraggio longitudinale tramite immagini seriali: estensione di psoriasi o dermatiti, conteggio lesionale nell’acne, quantificazione dell’area e del colore delle ferite. Qui la domanda non è solo “che cos’è?”, ma “come sta cambiando nel tempo?”.
L’estrazione automatica di digital biomarkers da fotografie o video può contribuire a ridurre la variabilità inter-osservatore e a rendere più oggettivo il confronto tra visite. Tuttavia, anche in questo contesto fototipo e condizioni di acquisizione incidono sulla robustezza delle misure: variazioni di luce o di bilanciamento del bianco possono simulare cambiamenti di eritema o di pigmentazione; dispositivi diversi lungo il follow-up possono generare serie di immagini difficilmente confrontabili; in fototipi scuri, il contrasto tra lesione e cute perilesionale può essere meno marcato, rendendo più complessa la segmentazione automatica.
La valutazione di questi strumenti non si esaurisce nella stima dell’accuratezza su un singolo campione, ma deve includere prove di stabilità al variare di device, luce, compressione delle immagini e modalità di acquisizione realistiche. Diventa rilevante chiedersi non solo quanto sia accurato il singolo valore numerico, ma quanto sia riproducibile la misura nelle condizioni d’uso previste, soprattutto nei contesti in cui piccoli cambiamenti di pattern o dimensioni possono modificare l’interpretazione clinica.
Validazione, audit e ruolo del clinico nella governance dei modelli
L’adozione di strumenti di AI in dermatologia richiede di spostare l’attenzione dalla scelta del singolo algoritmo alla progettazione del percorso in cui l’output dell’algoritmo viene utilizzato. Questo vale soprattutto per i sistemi che analizzano immagini cutanee per supportare decisioni su biopsia, follow-up o ulteriori approfondimenti.
L’AI fornisce in genere uno score di rischio o una classificazione che si inserisce nel ragionamento clinico, non un verdetto autonomo. La decisione finale resta in capo al dermatologo, che integra informazione algoritmica, anamnesi, esame obiettivo e conoscenza del fototipo. Diventa quindi cruciale una validazione esterna su dati e centri non coinvolti nello sviluppo del modello, con attenzione alle prestazioni su fototipi diversi e su immagini raccolte con device eterogenei.
Dopo l’implementazione clinica, i sistemi di AI vanno considerati come componenti di un ambiente dinamico: se cambia il mix di fototipi che afferiscono al centro, se si introduce una nuova telecamera o una diversa piattaforma, le prestazioni possono modificarsi. L’istituzione di forme strutturate di audit periodico consente di monitorare questi cambiamenti, definendo a priori quali indicatori osservare, con quale frequenza rivalutare le prestazioni su campioni aggiornati e quali azioni intraprendere in caso di degradazione.
Una governance esplicita aiuta a contenere il rischio che bias latenti nei dataset iniziali si amplifichino nel tempo, soprattutto quando l’AI è impiegata in fasi ad alta sensibilità del percorso oncologico, come il triage di lesioni sospette.
Progettare studi di machine learning dermatologico attenti ai bias
Per i gruppi che intendono avviare progetti di machine learning in dermatologia, il tema dei bias legati a fototipo, genere e contesto entra nella progettazione metodologica fin dalle prime fasi. Chiarire la domanda clinica (triage, secondo lettore, monitoraggio longitudinale, stratificazione del rischio) orienta scelte su dataset e metriche; analizzare la distribuzione dei fototipi rispetto alla popolazione reale del centro o della rete aiuta a decidere se arricchire i dati o limitare lo scope applicativo.
Anche le modalità di raccolta e annotazione delle immagini richiedono attenzione, perché marcatori fisici o pattern di sfondo sistematici possono trasformarsi in segnali spurî. La preparazione dei dati, la distinzione rigorosa tra training, validation e test e l’uso di dati provenienti da più centri contribuiscono a ridurre bias di selezione difficili da correggere in seguito.
Fin dall’inizio, competenze cliniche e competenze di data science possono procedere in parallelo: il dermatologo contribuisce a definire scenari d’uso e a riconoscere pattern sospetti, mentre il team tecnico propone strategie di mitigazione dei bias, come bilanciamento del dataset, data augmentation realistica o metodi di explainability in grado di evidenziare se il modello si focalizza sulla lesione o su elementi di contesto.
In sintesi
- I dataset sbilanciati per fototipo e popolazione possono generare differenze sistematiche di accuratezza nei sistemi di AI dermatologica, con impatto potenziale sull’equità.
- Le condizioni di acquisizione delle immagini (luce, device, marcatori fisici) sono una fonte rilevante di bias e scorciatoie algoritmiche, in particolare nei percorsi di teledermatologia e triage.
- **Le applicazioni di AI al monitoraggio longitudinale e ai digital biomarkers richiedono attenzione alla stabilità e riproducibilità delle misure** in contesti reali variabili e su fototipi diversi.
- L’integrazione dell’AI nel percorso clinico passa da validazione esterna, audit continuo e ruolo esplicito del clinico, che rimane il punto di sintesi delle informazioni.
- **La progettazione di progetti di machine learning in dermatologia include fin dall’inizio strategie di gestione dei bias**, basate su scelte di dataset, annotazione, metriche e collaborazione strutturata tra clinici e data scientist.
Dal congresso
Questo approfondimento riprende temi emersi nel 3° Congresso “About the Skin. Laser, robotica, intelligenza artificiale e metaverso: evoluzioni e applicazioni in dermatologia, in chirurgia plastica ricostruttiva ed estetica”, svoltosi all’Hotel Concord di Torino il 28 febbraio 2026, con particolare attenzione alle potenzialità e ai limiti dell’intelligenza artificiale in dermatologia clinica e oncologica in relazione a fototipo, dataset e condizioni di acquisizione delle immagini.
Consulta il programma del congresso.
