Méthode de détection des polypes gastro-intestinaux basée sur le RT-DETR amélioré

Pourquoi il est important de repérer les petites excroissances

Le cancer colorectal commence souvent par de petites excroissances appelées polypes à la surface de l’intestin. Les médecins utilisent la coloscopie et d’autres examens endoscopiques pour détecter et enlever ces polypes avant qu’ils ne deviennent dangereux. Pourtant, même des endoscopistes expérimentés peuvent manquer des lésions subtiles ou de forme atypique, surtout dans des vidéos bruyantes et en mouvement rapide. Cette étude présente un système d’intelligence artificielle (IA) conçu pour jouer le rôle d’un second regard ultra-rapide, repérant davantage de polypes en temps réel sans ralentir la procédure.

Le défi de voir l’invisible

Les polypes existent en de nombreuses tailles et formes, depuis de petites taches plates jusqu’à des renflements plus visibles, et ils peuvent se cacher dans les plis, les ombres, les fluides ou les reflets à l’intérieur de l’intestin. Des assistants IA commerciaux existent déjà, mais ils peinent parfois lorsque les images proviennent de caméras différentes ou quand les polypes sont très petits ou à faible contraste. Beaucoup de systèmes de recherche font face à un compromis : s’ils sont précis, ils ont tendance à être lents ; s’ils sont suffisamment rapides pour la vidéo en temps réel, ils peuvent négliger des lésions difficiles à voir. Les auteurs cherchent à rompre ce compromis pour offrir aux médecins à la fois rapidité et meilleure vision.

Une façon plus intelligente d’analyser la vidéo endoscopique

L’équipe s’appuie sur un cadre de détection moderne appelé RT-DETR-r18, qui traite la détection de polypes un peu comme la traduction d’une image en liste d’objets. Ils ajoutent trois améliorations clés adaptées aux particularités des images endoscopiques. La première, un module de préservation du détail, vise à conserver les textures superficielles fines des polypes plats ou lointains que les algorithmes standards ont tendance à estomper lors du redimensionnement des images pour l’analyse. La seconde introduit un mécanisme d’attention efficace : au lieu d’examiner toutes les paires de pixels dans un calcul lourd, il utilise une manière plus légère de se concentrer sur les zones les plus informatives, aidant le système à ignorer les distractions comme les bulles, les selles ou les reflets. La troisième fusionne l’information à plusieurs échelles, permettant au système de traiter à la fois des vues en gros plan, riches en détails, et de minuscules « points visuels » correspondant à des lésions vues de plus loin.

Évaluer le système

Pour mesurer l’efficacité de leur méthode, les chercheurs l’ont entraînée et évaluée sur 1 611 images annotées provenant de deux sources différentes : coloscopie standard et endoscopie par capsule sans fil. Ce mélange force l’IA à s’appuyer sur de véritables caractéristiques de la lésion plutôt que sur des particularités d’un appareil unique. Ils ont converti les masques de segmentation d’experts en boîtes englobantes serrées pour donner au modèle des exemples précis de l’emplacement des polypes. Les performances ont été jugées avec des mesures courantes telles que la précision (pour éviter les fausses alertes), le rappel (pour éviter les omissions) et la précision moyenne, ainsi que le nombre d’images traitées par seconde. Sur cinq exécutions indépendantes, le système amélioré a fait passer la précision de 90,7 % à 94,8 % et le rappel de 84,0 % à 89,9 %, tout en améliorant la qualité globale de détection. Fait crucial, il traitait toujours la vidéo à environ 188 images par seconde — bien au-delà des 30–60 images par seconde typiques en endoscopie clinique — ce qui lui permet de suivre le rythme des procédures réelles.

Comparaisons et limites

Comparée à des détecteurs d’objets populaires de la famille YOLO et à des variantes RT-DETR plus puissantes, la nouvelle méthode a obtenu le meilleur compromis entre précision, netteté des contours de polypes et coût de calcul. Elle produit des résultats de détection plus propres, avec moins de boîtes surdimensionnées et moins de lésions manquées, notamment dans des scènes complexes. Néanmoins, le système n’est pas parfait. Il échoue parfois dans des zones très sombres ou lorsque des lésions sont partiellement cachées par des plis. Il peut aussi confondre des reflets brillants ou des bulles avec de vrais polypes s’ils imitent l’apparence ronde et surélevée d’une excroissance. Les auteurs suggèrent que l’intégration d’informations issues des images voisines dans la vidéo pourrait aider à filtrer ces artefacts fugitifs et à stabiliser davantage les alertes.

Ce que cela signifie pour les patients et les médecins

Pour un public non spécialiste, l’étude montre que l’IA peut déjà analyser des images endoscopiques beaucoup plus vite qu’un humain tout en commettant moins d’erreurs que les détecteurs temps réel actuels. En mieux préservant les très petits détails, en se concentrant sur les régions pertinentes et en gérant les objets à de nombreuses échelles visuelles, le système proposé repère davantage de zones potentiellement problématiques sans ralentir l’examen. Bien que ces résultats proviennent de jeux d’images soigneusement sélectionnés plutôt que de coloscopies en direct, ils ouvrent la voie à des outils d’IA susceptibles de réduire le risque qu’un polype important passe inaperçu. L’étape suivante consistera en des essais cliniques à grande échelle pour déterminer si ces avancées techniques se traduisent par moins de cancers manqués et un dépistage plus sûr et efficace pour les patients.

Citation: Du, J., He, Z., Zhang, S. et al. Gastrointestinal polyp detection method based on the improved RT-DETR. Sci Rep 16, 7020 (2026). https://doi.org/10.1038/s41598-026-38617-1

Mots-clés: coloscopie, détection de polypes, IA médicale, imagerie endoscopique, dépistage en temps réel