Un piccione comune (Columba livia) posto davanti a uno schermo può distinguere un nodulo maligno da uno benigno osservando una biopsia mammaria. Non è una bizzarra teoria evolutiva, ma il risultato di un protocollo sperimentale coordinato da Richard Levenson dell’Università della California, Davis, insieme a Edward Wasserman dell’Università dell’Iowa. I dati raccolti dimostrano che, dopo un addestramento basato sul condizionamento operante e ricompense in cibo, l’accuratezza diagnostica dei volatili sale dal 50% iniziale a un solido 85% in appena due settimane. Il meccanismo visivo dei piccioni condivide sorprendenti analogie con quello umano. I ricercatori hanno sottoposto gli animali a immagini digitalizzate di sezioni istologiche a diversi livelli di ingrandimento: i volatili dovevano beccare un pulsante blu o uno giallo a seconda della natura del tessuto. La prova cruciale ha riguardato la capacità di astrazione. Di fronte a vetrini completamente nuovi, mai visti prima, i piccioni non hanno fatto affidamento sulla memoria visiva, ma hanno applicato le regole apprese mantenendo la precisione invariata tra l’85% e l’87%.
Un secondo filone dell’esperimento ha testato i volatili sulla radiologia, nello specifico sull’individuazione di microcalcificazioni sospette nelle mammografie. Anche in questo caso la percentuale di successo ha toccato l’85%. Il vero picco prestazionale si ottiene però combinando le risposte dei singoli esemplari (una strategia ribattezzata dagli scienziati “flock-sourcing”): unendo le decisioni di un gruppo di quattro volatili, l’accuratezza statistica nel tracciare il tumore al seno è schizzata al 99%, un valore sovrapponibile a quello dei patologi professionisti. Esistono tuttavia limiti strutturali legati alla complessità geometrica. Quando il team di Levenson ha complicato il compito, chiedendo ai piccioni di classificare le masse tumorali dense e sfumate sui tessuti mammografici — un’operazione notoriamente ostica anche per i radiologi umani —, il sistema di classificazione animale è crollato. I volatili si sono dimostrati capaci solo di memorizzare le immagini già viste, fallendo nei test con nuovi campioni (l’accuratezza è scesa al 44%). Per verificare la natura di questo limite visivo, sono state addestrate reti neurali artificiali su un database di immagini aeree (BirdsEyeViewNet), trasferendo poi l’apprendimento sui medesimi compiti diagnostici dei piccioni. L’algoritmo ha replicato fedelmente le performance biologiche: eccellente sui vetrini istologici, fallimentare sulle masse radiologiche complesse.
