Lavorando nell’area prodotto di un’azienda di IA medica, mi capita di ricevere domande su Gemini più che su qualsiasi altro concorrente di questa serie. La proposta è davvero convincente: un unico modello che legge il Suo referto PDF di laboratorio, guarda la foto del Suo misuratore di pressione, osserva il video di 30 secondi in cui cammina per valutarne l’andatura e sintetizza il tutto con un contesto di oltre 1 milione di token. Google ha investito un notevole lavoro ingegneristico per far sì che la multimodalità risulti nativa e non applicata a posteriori.
L’istinto, di fronte a tutto ciò, è pensare: «bene, così il problema dell’OCR è risolto». Non è così. Il problema si limita a spostarsi da un livello a un altro e, così facendo, baratta la precisione di una pipeline specializzata con la flessibilità di un modello generalista. Questo articolo è la mia lettura, dal punto di vista del prodotto, su quando questo scambio conviene a un paziente e quando invece non conviene affatto.
In che cosa Gemini è davvero diverso
Gemini è nativamente multimodale in senso tecnico: è stato pre-addestrato su testo, immagini, audio e video interlacciati, anziché avere la visione innestata a posteriori, come descrive il rapporto tecnico su Gemini di Google DeepMind. In pratica questo significa che un unico passaggio attraverso il modello può prendere un referto PDF di laboratorio, la fotografia di un flacone di farmaci e la domanda di un paziente e produrre un’unica risposta, invece di instradare ogni modalità attraverso un modello separato e ricucire insieme i risultati.
Con input puliti e strutturati il risultato è notevole. Un PDF ben scansionato di Quest Diagnostics o LabCorp, con valori digitati in una tabella ordinata, viene estratto e riassunto in pochi secondi. Gemini indica correttamente quali marcatori sono fuori intervallo, spiega a grandi linee ciascuno di essi e spesso nota le combinazioni evidenti (per esempio LDL alto con HDL basso). Sul suo terreno di casa – dati tabellari puliti – si ottiene ciò che il marketing promette.
La domanda di prodotto è: quanto spesso l’input è pulito?
Il problema del documento disordinato
Nella nostra ricerca sugli utenti vedo ripetersi sempre lo stesso schema. I pazienti non arrivano con referti PDF immacolati. Arrivano con:
- Foto scattate col telefono da un’angolazione, con il riflesso della luce del soffitto nel corridoio di una clinica
- Layout a due colonne in cui, con la compressione, la colonna di sinistra sconfina in quella di destra
- Annotazioni scritte a mano, scarabocchiate da un infermiere
- Pannelli di più pagine in cui la pagina quattro è la copia via fax di una copia via fax
- Moduli di laboratorio di piccoli fornitori regionali con una formattazione su misura
Con questi input la lettura multimodale di Gemini peggiora in modi difficili da rilevare dall’output. Un valore può essere letto male come 14 invece di 1,4, una riga dell’alanina aminotransferasi può essere trascinata nella riga dell’aspartato aminotransferasi, un marcatore può essere omesso in silenzio se la sua riga è in parte nascosta dall’ombra di una graffetta. La risposta restituita da Gemini si legge comunque in modo scorrevole: semplicemente si basa su una tabella leggermente sbagliata. La ricerca sui modelli di base multimodali in medicina (The Lancet Digital Health, 2024) documenta questo schema nei diversi LLM dotati di visione.
Lo stesso problema riguarda altri modelli generalisti. Ho trattato la modalità di errore strettamente collegata nel confronto di riferimento Wizey vs ChatGPT: un’interpretazione generativa vale solo quanto i token che la alimentano, e i token dipendono da una fase di lettura che non è sempre corretta.
Estrazione strutturata vs lettura generativa
È questa la differenza architetturale che conta. Wizey lavora in due fasi:
- Un OCR medico specializzato, addestrato su moduli di laboratorio di centinaia di fornitori, con una gestione esplicita dei layout a più colonne, delle sovrapposizioni scritte a mano e delle scansioni di bassa qualità. L’output è un record strutturato: {marcatore, valore, unità, riferimento inferiore, riferimento superiore, segnalazione, data, campione}.
- Uno strato di ragionamento clinico che opera su quel record strutturato, ancorato a un grafo della conoscenza medica e a percorsi clinici validati. Non legge mai più i pixel grezzi.
Gemini fonde entrambe le fasi in un unico passaggio generativo. È elegante e, con input puliti, è veloce e preciso. Ma non esiste alcun artefatto intermedio strutturato. Se l’estrazione è stata sbagliata, non può vederlo. Se l’interpretazione è stata sbagliata, non può risalire al valore corretto. La tracciabilità – che dal punto di vista del prodotto è metà della questione sicurezza – scompare. Uno studio pubblicato su JMIR Medical Informatics (2024) ha rilevato che gli strumenti di controllo degli esami di laboratorio specializzati e basati sull’IA hanno raggiunto un’accuratezza diagnostica del 74,3% con una sensibilità del 100% nei casi di emergenza critici per la sicurezza, un livello di prestazione validata che i modelli multimodali generalisti non hanno dimostrato.
L’illusione del contesto da 1 milione di token
Il contesto da un milione di token di Gemini è notevole, e il marketing di Google vi si appoggia per i casi d’uso longitudinali: «carichi i Suoi esami degli ultimi cinque anni e ottenga un’analisi dell’andamento». In pratica vale ancora l’effetto Lost in the Middle descritto da Liu et al. (2023): l’attenzione è più forte ai margini di un prompt lungo e più debole al centro. Una glicemia del terzo anno di una storia decennale non riceve lo stesso trattamento del valore del primo o del decimo anno.
Ancora più importante, l’analisi longitudinale degli esami è nella sua essenza un problema di serie temporali. Vuole tracciare l’emoglobina glicata (HbA1c) su 20 visite e vederne la pendenza, non descriverla in paragrafi. Wizey memorizza ogni valore estratto come riga di una serie temporale e calcola le tendenze direttamente. Un LLM a contesto lungo può approssimarlo, ma il principio dello strumento giusto per il compito depone nettamente a favore dell’archiviazione strutturata.
Multimodalità oltre i PDF – dove Gemini è in vantaggio
A essere onesti, c’è un terreno in cui la multimodalità di Gemini supera davvero ciò che oggi una pipeline specializzata è in grado di fare. L’uso conversazionale in tempo reale – punti il telefono su un’etichetta di un farmaco, ponga una domanda a voce e riceva una risposta che fa riferimento all’etichetta – è un merito legittimo di Gemini. Riassumere una visita medica registrata in video è plausibile. Leggere una lettera specialistica scritta a mano, una tantum, è possibile.
In termini di prodotto: Gemini è un ottimo strumento di lettura universale. Il problema è che «leggere un referto PDF di laboratorio» sembra dall’esterno un compito di lettura universale ed è invece dall’interno un compito specializzato. La forma del problema conta più della modalità di input apparente.
Privacy e la distinzione tra consumatore e impresa
L’API Gemini su Google Cloud Vertex AI può rientrare nel BAA di Google per i clienti idonei, il che è la via corretta per qualsiasi clinica o piattaforma che tratti tramite Gemini vere informazioni sanitarie protette (Protected Health Information, PHI).
L’app Gemini per il consumatore su gemini.google.com e le funzioni di Gemini all’interno di Google Workspace personale non prevedono alcun BAA. Caricare lì un referto PDF di laboratorio per una lettura rapida è un comportamento diffuso tra i pazienti ed è anche una chiara esposizione di PHI, una che la maggior parte degli utenti non si rende conto di creare. La distinzione è invisibile nell’interfaccia, il che, in un contesto sanitario, è un vero difetto di prodotto.
Wizey, costruito appositamente per l’uso da parte dei pazienti, non chiede agli utenti di ragionare su quale versione del prodotto stiano usando.
Confronto diretto
| Dimensione | Gemini (Google) | Wizey |
|---|---|---|
| Lettura dei documenti | Multimodale nativa, forte con input puliti | OCR medico specializzato, robusto su scansioni disordinate del mondo reale |
| Formato di output | Prosa generativa | Record strutturato + interpretazione in prosa |
| Tracciabilità | Bassa – un solo passaggio, nessun artefatto intermedio | Alta – ogni valore estratto è visibile e modificabile |
| Analisi longitudinale | Basata sul prompt, colpita dal Lost in the Middle | Schema di serie temporali nativo |
| Ancoraggio della conoscenza | Traccia statistica + discendenza da Med-PaLM | Grafo della conoscenza medica curato |
| BAA HIPAA | Vertex AI sì, Gemini per il consumatore no | Integrato per l’uso da parte dei pazienti |
| Uso migliore | Lettura universale, video/audio, compiti cross-modali | Interpretazione degli esami end-to-end, analisi delle tendenze, segnalazione |
Mini-FAQ
Posso caricare su Gemini una foto del mio referto di laboratorio e ottenere una lettura affidabile? Una lettura la ottiene. Sui PDF puliti è spesso corretta. Con foto scattate col telefono, immagini storte, riflessi, scrittura a mano o layout a due colonne, gli errori di estrazione sono frequenti e vengono restituiti come prosa scorrevole, quindi difficili da rilevare.
Un contesto di oltre 1 milione di token significa che Gemini gestisce meglio anni di esami? Solo in superficie. Il Lost in the Middle continua a degradare il recupero a metà del contesto, e l’analisi longitudinale degli esami è un problema di serie temporali, non un problema di prompt lungo.
Gemini è conforme all’HIPAA per i documenti medici? Con l’implementazione su Vertex AI e un BAA di Google, sì. Con l’app Gemini per il consumatore, no.
In che cosa l’OCR di Wizey è diverso dalla visione nativa di Gemini? Wizey estrae in uno schema strutturato e validato – ogni marcatore con unità e intervallo di riferimento – prima di ragionare. Gemini legge in un unico passaggio generativo, senza artefatto intermedio.
Quando Gemini è davvero d’aiuto per la salute? Traduzione, spiegazione, sintesi, stesura di domande. È un eccellente strumento di lettura e scrittura; l’inferenza numerica specializzata su scansioni disordinate non è il suo punto forte.
In conclusione
Gemini è il modello multimodale più flessibile oggi disponibile per i consumatori e, per molti compiti di lettura di tutti i giorni, è una buona scelta. Per il compito specifico di trasformare un referto PDF di laboratorio reale – scansionato, fotografato, inviato via fax, a volte scritto a mano – in un’interpretazione strutturata affidabile, la specializzazione batte ancora la flessibilità.
È questa la nicchia per cui Wizey è stato costruito: una pipeline di OCR medico che sopravvive agli input disordinati, uno schema strutturato che sopravvive all’analisi longitudinale e uno strato di ragionamento ancorato a percorsi clinici validati anziché alla probabilità della prosa. Se desidera l’argomentazione più approfondita su dove gli LLM generalisti si adattano e dove falliscono in medicina, l’articolo di riferimento Wizey vs ChatGPT è il complemento di questo.
