Transferencia de estilo en imágenes endoscópicas gastrointestinales usando EndoStyle para mejorar modelos de predicción por inteligencia artificial

Asistencia computacional más nítida para las revisiones de cáncer de colon

Las colonoscopias salvan vidas al encontrar y extirpar crecimientos pequeños, denominados pólipos, antes de que se conviertan en cáncer. Muchos hospitales emplean ahora inteligencia artificial (IA) para ayudar a los médicos a detectar estas mínimas lesiones en la pantalla de vídeo. Pero las herramientas de IA suelen fallar cuando se trasladan de un hospital a otro, porque las imágenes cambian ligeramente según el sistema de cámara. Este estudio presenta una nueva técnica, llamada EndoStyle, que transforma las imágenes de colonoscopia para que los sistemas de IA funcionen con mayor fiabilidad en diferentes máquinas.

Por qué las imágenes endoscópicas no se parecen entre sí

Una colonoscopia puede parecer igual para el paciente, pero en cada clínica se emplea su propio procesador de vídeo y cámara. Estos dispositivos varían en tono de color, brillo, contraste, nitidez e incluso en el tamaño y la posición de la imagen circular en la pantalla. Para un sistema de IA entrenado en un hospital, este “desplazamiento de dominio” puede ser un choque importante: las nuevas imágenes ya no coinciden con lo que aprendió y la precisión puede disminuir. Las soluciones habituales actuales —como voltear, rotar o aclarar ligeramente las imágenes durante el entrenamiento— no reproducen el aspecto distintivo de los distintos sistemas de vídeo. En consecuencia, los asistentes comerciales de IA suelen estar ajustados a hardware específico y pueden no funcionar igual en otros entornos.

Enseñar a las imágenes a coincidir con el estilo de la cámara local

Los investigadores diseñaron EndoStyle para actuar como un traductor digital entre sistemas de endoscopia. Toma un fotograma de colonoscopia y un “estilo” objetivo (por ejemplo, el aspecto visual de un procesador de vídeo concreto) y genera una nueva imagen que conserva la anatomía y los pólipos, pero cambia la apariencia general para que coincida con el dispositivo destino. En su núcleo, EndoStyle combina una potente red de traducción de imágenes con un modelo de superresolución que agudiza el resultado final. Salvaguardias especiales se aseguran de que las características importantes, como los pliegues del intestino y los sutiles pólipos planos, se preserven en lugar de difuminarse o inventarse accidentalmente.

Comprobar si lo falso parece real

Para evaluar si las imágenes sintéticas de EndoStyle eran fiables, el equipo las comparó primero con imágenes reales de colonoscopia usando métricas de visión por ordenador que capturan realismo visual y similitud perceptual. A lo largo de cinco procesadores de vídeo diferentes y cientos de miles de fotogramas, las imágenes convertidas coincidieron estrechamente con las reales tanto en el aspecto global como en la textura detallada. Tres modelos de IA independientes, entrenados para interpretar imágenes médicas, también juzgaron que las nuevas imágenes eran simultáneamente similares al contenido original y al estilo del dispositivo objetivo. A continuación, 22 endoscopistas experimentados de 16 centros participaron en un experimento a ciegas. Vieron breves vídeos de colonoscopia y se les mostraron fotogramas fijos, algunos reales y otros generados por EndoStyle. Se pidió a los médicos identificar qué imágenes procedían del mismo examen. Eligieron imágenes de EndoStyle casi con la misma frecuencia que los fotogramas verdaderos y con mucha más frecuencia que los desajustes evidentes, lo que sugiere que las imágenes sintéticas superaron una prueba de “olfato” en condiciones reales.

Ayudar a la IA a encontrar los pólipos correctos e ignorar el ruido

Los autores se preguntaron después si estas imágenes realistas y adaptadas al estilo podían mejorar realmente la detección de pólipos por parte de la IA. Entrenaron varios sistemas de detección con una mezcla de imágenes públicas de colonoscopia y fotogramas generados por EndoStyle ajustados para coincidir con dos procesadores específicos de Olympus usados en los vídeos de prueba. También examinaron un caso más exigente en el que los datos originales de entrenamiento provenían de otra marca (Fujifilm) que EndoStyle no había visto durante su propio entrenamiento. En ambas situaciones, añadir imágenes sintéticas sintonizadas al procesador objetivo volvió los modelos de IA más selectivos: las falsas alarmas cayeron aproximadamente entre una cuarta parte y más del 40 por ciento, según la configuración, mientras que la sensibilidad —la frecuencia con la que se detectaron pólipos reales— disminuyó sólo de forma modesta. Es importante: las imágenes sintéticas no parecieron crear pólipos falsos, y la mayoría de las pocas lesiones no detectadas ya eran difíciles tanto para la IA de referencia como para las herramientas comerciales.

Qué podría significar esto para pacientes y clínicas

Al demostrar que se pueden crear imágenes sintéticas realistas y específicas por procesador y usarlas con seguridad para entrenar algoritmos de detección, este trabajo ofrece una vía práctica para que la IA en colonoscopia sea más portátil y fiable. En lugar de recopilar y etiquetar grandes conjuntos de datos nuevos cada vez que una clínica actualiza o cambia su equipo, los desarrolladores podrían adaptar colecciones de imágenes existentes al estilo del nuevo dispositivo con EndoStyle y volver a entrenar sus sistemas con menos pasos adicionales. El beneficio inmediato es una IA que genera menos falsas alarmas y sigue detectando la mayoría de los pólipos importantes, haciendo las herramientas menos distractoras y más confiables para los endoscopistas. Con el tiempo, enfoques de transferencia de estilo como este podrían ayudar a estandarizar el rendimiento de la IA entre hospitales y favorecer tanto una mejor prevención del cáncer como simuladores de entrenamiento más realistas para futuros médicos.

Cita: 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

Palabras clave: colonoscopia, detección de pólipos, IA en imagen médica, transferencia de estilo, desplazamiento de dominio