Stiltransfer für endoskopische Bilder des Magen-Darm-Trakts mit EndoStyle zur Verbesserung von KI-Vorhersagemodellen

Schärfere Computerhilfe für Darmkrebsvorsorge

Koloskopien retten Leben, indem sie kleine Wucherungen — sogenannte Polypen — entdecken und entfernen, bevor sie zu Krebs werden. Viele Kliniken setzen inzwischen Künstliche Intelligenz (KI) ein, um Ärztinnen und Ärzten auf dem Video-Monitor beim Erkennen dieser winzigen Läsionen zu helfen. KI-Tools tun sich jedoch oft schwer, wenn sie von einem Krankenhaus in ein anderes übertragen werden, weil die Bilder je nach Kamerasystem leicht unterschiedlich aussehen. Diese Studie stellt eine neue Methode vor, EndoStyle, die Koloskopiebilder so umgestaltet, dass KI-Systeme auf verschiedenen Geräten zuverlässiger arbeiten können.

Warum endoskopische Bilder nicht alle gleich aussehen

Für Patientinnen und Patienten mag eine Koloskopie gleich aussehen, doch hinter den Kulissen verwendet jede Klinik ihren eigenen Videoprozessor und ihre eigene Kamera. Diese Geräte unterscheiden sich in Farbton, Helligkeit, Kontrast, Schärfe und sogar in Größe und Position des runden Bildes auf dem Bildschirm. Für ein an einem Krankenhaus trainiertes KI-System kann diese „Domänenverschiebung“ einen erheblichen Schock bedeuten: Die neuen Bilder stimmen nicht mehr mit dem überein, was es gelernt hat, und die Genauigkeit kann sinken. Die heute üblichen Korrekturen — wie Spiegeln, Drehen oder leichtes Aufhellen der Bilder während des Trainings — reproduzieren nicht das charakteristische Aussehen unterschiedlicher Videosysteme. Daher sind kommerzielle KI-Assistenten meist auf spezifische Hardware abgestimmt und funktionieren anderswo oft schlechter.

Bilder so anpassen, dass sie zum lokalen Kamerastil passen

Die Forschenden entwickelten EndoStyle als digitalen Übersetzer zwischen Endoskopiesystemen. Er nimmt einen Koloskopierahmen und einen Ziel‑„Stil“ (zum Beispiel das Erscheinungsbild eines bestimmten Videoprozessors) und erzeugt ein neues Bild, das die Anatomie und eventuell vorhandene Polypen beibehält, aber das Gesamtbild an das Zielgerät anpasst. Technisch kombiniert EndoStyle ein leistungsfähiges Bild-Übersetzungsnetzwerk mit einem Super‑Resolution‑Modell, das das finale Ergebnis schärft. Spezielle Schutzmechanismen sorgen dafür, dass wichtige Merkmale — etwa Darmfalten und subtile flache Polypen — erhalten bleiben und nicht ausgewaschen oder fälschlich hinzugefügt werden.

Prüfen, ob die Scheinbilder echt wirken

Um zu testen, ob die von EndoStyle erzeugten synthetischen Bilder glaubwürdig sind, verglich das Team sie zunächst mit realen Koloskopiebildern anhand von Computer-Vision-Metriken, die visuelle Realitätsnähe und wahrnehmungsgesteuerte Ähnlichkeit erfassen. Über fünf verschiedene Videoprozessoren und Hunderttausende von Frames stimmten die konvertierten Bilder sowohl im Gesamteindruck als auch in der Detailtextur eng mit echten überein. Drei unabhängige, für medizinische Bilder trainierte KI-Modelle bewerteten die neuen Bilder ebenfalls als gleichzeitig inhaltlich ähnlich zum Original und stilistisch passend zum Zielgerät. Anschließend nahmen 22 erfahrene Endoskopikerinnen und Endoskopiker aus 16 Zentren an einem verblindeten Experiment teil. Sie sahen kurze Koloskopievideos und Standbilder, teils echt, teils von EndoStyle erzeugt. Die Ärztinnen und Ärzte sollten angeben, welche Bilder aus derselben Untersuchung stammten. EndoStyle-Bilder wurden fast genauso häufig wie echte Frames als solche erkannt und deutlich häufiger als offensichtliche Fehlzuordnungen — ein Hinweis darauf, dass die synthetischen Bilder den realen Praxistest bestanden.

KI hilft dabei, die richtigen Polypen zu finden und Störsignale zu ignorieren

Die Autorinnen und Autoren fragten dann, ob diese realistischen, stilangepassten Bilder die KI-Polypenerkennung tatsächlich verbessern können. Sie trainierten mehrere Erkennungsmodelle mit einer Mischung aus öffentlichen Koloskopiebildern und von EndoStyle erzeugten Frames, die an zwei spezifische Olympus‑Prozessoren aus den Testvideos angepasst waren. Außerdem untersuchten sie einen schwierigeren Fall, in dem die ursprünglichen Trainingsdaten von einer anderen Marke (Fujifilm) stammten, die EndoStyle während seines eigenen Trainings nie gesehen hatte. In beiden Situationen führte das Hinzufügen synthetischer, auf den Zielprozessor abgestimmter Bilder dazu, dass die KI-Modelle selektiver wurden: Fehlalarme sanken je nach Setup um etwa ein Viertel bis über 40 Prozent, während die Sensitivität — also wie häufig echte Polypen erkannt wurden — nur moderat zurückging. Wichtig ist, dass die synthetischen Bilder offenbar keine falschen Polypen erzeugten; die meisten der wenigen übersehenen Läsionen waren bereits für die Baseline-KI und kommerzielle Werkzeuge schwer erkennbar.

Was das für Patientinnen, Patienten und Kliniken bedeuten könnte

Indem gezeigt wird, dass realistische, prozessor­spezifische synthetische Bilder erzeugt und sicher zum Training von Erkennungsalgorithmen verwendet werden können, bietet diese Arbeit einen praktischen Weg, Koloskopie‑KI portabler und verlässlicher zu machen. Statt bei jedem Gerätewechsel oder Upgrade große neue Datensätze zu sammeln und zu annotieren, könnten Entwickler bestehende Bildbestände mit EndoStyle an den neuen Gerätestil anpassen und ihre Systeme mit deutlich weniger Zusatzaufwand nachtrainieren. Der unmittelbare Nutzen ist eine KI, die weniger Fehlalarme produziert und dennoch die wichtigsten Polypen findet — weniger Ablenkung und höhere Vertrauenswürdigkeit für Endoskopikerinnen und Endoskopiker. Langfristig könnten solche Stiltransfer‑Ansätze dazu beitragen, die KI‑Leistung zwischen Kliniken zu vereinheitlichen und sowohl die Krebsprävention zu verbessern als auch realistischere Trainingssimulatoren für zukünftige Ärztinnen und Ärzte zu ermöglichen.

Zitation: Troya, J., Kafetzis, I., Weber, R. et al. Gastrointestinal endoscopic image style transfer using EndoStyle to improve artificial intelligence prediction models. npj Digit. Med. 9, 340 (2026). https://doi.org/10.1038/s41746-026-02693-4

Schlüsselwörter: Koloskopie, Polypenerkennung, medizinische Bild‑KI, Stiltransfer, Domänenverschiebung