HOPPR ha introdotto il HOPPR EF Chest CT Narrative Model, un foundation model progettato per elaborare volumi tridimensionali di TAC toraciche e trasformare le caratteristiche delle immagini in linguaggio narrativo. Disponibile dal 23 luglio 2026 attraverso i Forward Deployed Services dell’azienda, il modello viene proposto insieme a un supporto specialistico che accompagna i team di sviluppo dalla valutazione iniziale fino all’integrazione nelle applicazioni.
Il sistema lavora sui volumi 3D delle TAC toraciche, un tipo di esame che raccoglie informazioni su numerose strutture anatomiche. Le descrizioni generate possono riguardare le regioni polmonari e mediastiniche, il cuore, la parte superiore dell’addome, le ossa e i tessuti molli. L’obiettivo tecnico è quindi produrre un testo capace di rappresentare le caratteristiche osservabili nell’intero esame, senza limitarsi a una singola area anatomica o a uno specifico compito di classificazione.
Per l’addestramento, HOPPR ha utilizzato un dataset proprietario di studi di TAC toracica provenienti da più centri clinici degli Stati Uniti. Nella composizione dei dati è stata dedicata particolare attenzione a condizioni gravi ma meno comuni, tra cui lesioni dell’aorta, embolia polmonare, fratture costali e pneumotorace. La scelta mira a rappresentare anche i casi che compaiono con minore frequenza, ma che fanno parte della varietà concreta affrontata dai clinici, evitando che l’apprendimento si concentri soltanto sugli esami più ordinari.
Khan Siddiqui, cofondatore e amministratore delegato di HOPPR, ha definito la TAC toracica uno degli studi più densi di informazioni in radiologia. Far funzionare l’intelligenza artificiale sull’insieme di ciò che l’esame acquisisce — dai polmoni al cuore e all’aorta — rappresenta, secondo il manager, un problema particolarmente complesso. Siddiqui ha inoltre inquadrato il modello come una componente di un’offerta più ampia, formata da AI Foundry, infrastruttura sicura, dati selezionati e competenze cliniche e tecniche.
Con questo lancio, il portafoglio di foundation model di HOPPR copre tre modalità di imaging: radiografia del torace, mammografia e TAC toracica. L’offerta comprende sia attività di classificazione assistita dall’AI sia la generazione di linguaggio narrativo. Sulla piattaforma sono presenti anche modelli di terze parti sviluppati da realtà come NVIDIA, Google e Microsoft, oltre a Stanford AIMI e altri soggetti. La Foundry mette inoltre a disposizione dataset curati e workflow di sviluppo tracciabili, elementi legati alla gestione dei dati e alla governance in un settore regolamentato.
Il passaggio dal modello all’applicazione viene affidato anche agli HOPPR Forward Deployed Services, che possono includere competenze sui flussi clinici, machine learning, fine-tuning, integrazione e deployment. Il servizio viene modulato in funzione delle esigenze: alcuni partner possono richiedere assistenza tecnica per adattare il modello ai propri dati, mentre altri necessitano di supporto sui requisiti dei processi clinici o sulla preparazione regolatoria. RadiologyOne, attraverso il direttore operativo Kevin Kadakia, ha dichiarato di aver potuto valutare il modello sui propri dati senza costruire internamente questa capacità, adattandolo al proprio workflow e ambiente di imaging.
L’offerta poggia su un’infrastruttura HIPAA-ready, certificata SOC 2 Type II e HITRUST e1 e gestita nell’ambito di un sistema di qualità. Il posizionamento scelto da HOPPR combina così il rilascio di un foundation model specializzato con gli strumenti necessari per provarlo, modificarlo e inserirlo in un contesto operativo. Per organizzazioni sanitarie e sviluppatori, il nodo resta la distanza tra una capacità algoritmica disponibile e un’applicazione effettivamente integrata: la società punta a colmarla affiancando al modello dati, governance e competenze di implementazione.