ETD

• Deep Learning
• Machine Learning
• Oncologic Imaging
• Radiomics

his doctoral thesis investigates artificial intelligence in radiology from a workflow-oriented perspective, focusing on reproducibility, methodological quality, and clinical value. The work demonstrates that image segmentation is one of the major determinants of radiomics robustness, showing that differences among readers and institutions can significantly affect model performance and generalizability. Strategies based on segmentation revision and observer normalization are proposed to improve the reproducibility of quantitative biomarkers. The thesis also evaluates deep learning–based automated segmentation, demonstrating high performance in muscle quantification and pulmonary disease assessment. In parallel, applications of artificial intelligence for radiological reporting, natural language processing, and large language models are examined. Finally, the methodological quality of AI studies in radiology is critically assessed, leading to the development of evaluation frameworks aimed at improving transparency, reproducibility, and clinical integration.

Questa tesi di dottorato analizza il ruolo dell’intelligenza artificiale in radiologia attraverso una prospettiva orientata al workflow, con particolare attenzione a riproducibilità, qualità metodologica e valore clinico. Il lavoro dimostra come la segmentazione rappresenti uno dei principali fattori che influenzano la robustezza dei modelli radiomici, evidenziando che differenze tra operatori e centri possono determinare una significativa riduzione delle prestazioni e della generalizzabilità. Vengono proposte strategie di normalizzazione e revisione delle segmentazioni per migliorare la riproducibilità dei biomarcatori quantitativi. La tesi valuta inoltre il ruolo della segmentazione automatica mediante deep learning, mostrando elevate prestazioni nella quantificazione muscolare e nella caratterizzazione di patologie polmonari. Parallelamente, vengono analizzate applicazioni di intelligenza artificiale per il referto radiologico, il natural language processing e i large language models. Infine, il lavoro affronta criticamente la qualità metodologica degli studi di IA in radiologia, proponendo strumenti di valutazione orientati a trasparenza, riproducibilità e integrazione clinica.