Transfert de style d'images endoscopiques gastro-intestinales avec EndoStyle pour améliorer les modèles de prédiction par intelligence artificielle

Une aide informatique plus nette pour le dépistage du cancer du côlon

Les coloscopies sauvent des vies en repérant et en retirant de petites excroissances, appelées polypes, avant qu’elles ne deviennent cancéreuses. De nombreux hôpitaux utilisent désormais l’intelligence artificielle (IA) pour aider les médecins à repérer ces lésions sur l’écran vidéo. Mais les outils d’IA peinent souvent lorsqu’on les déplace d’un hôpital à un autre, parce que les images diffèrent légèrement selon le système caméra. Cette étude présente une nouvelle technique, appelée EndoStyle, qui transforme les images de coloscopie pour permettre aux systèmes d’IA de fonctionner de façon plus fiable sur différentes machines.

Pourquoi les images endoscopiques ne se ressemblent pas toutes

Pour un patient une coloscopie peut sembler identique, mais en coulisses chaque clinique utilise son propre processeur vidéo et sa propre caméra. Ces appareils varient en tonalité de couleur, luminosité, contraste, netteté, et même en taille et position de l’image ronde à l’écran. Pour un système d’IA entraîné dans un hôpital, ce « décalage de domaine » peut être un choc important : les nouvelles images ne correspondent plus à ce qu’il a appris et la précision peut chuter. Les correctifs standard actuels — pivotements, retournements ou légères corrections de luminosité pendant l’entraînement — ne reproduisent pas l’apparence caractéristique des différents processeurs vidéo. En conséquence, les assistants IA commerciaux sont généralement optimisés pour un matériel spécifique et peuvent moins bien fonctionner ailleurs.

Apprendre aux images à adopter le style de la caméra locale

Les chercheurs ont conçu EndoStyle pour agir comme un traducteur numérique entre systèmes d’endoscopie. Il prend une image de coloscopie et un « style » cible (par exemple l’apparence visuelle d’un processeur vidéo particulier) et produit une nouvelle image qui conserve l’anatomie et les polypes éventuels mais modifie l’aspect général pour correspondre à l’appareil visé. Sous le capot, EndoStyle combine un puissant réseau de traduction d’images avec un modèle de super‑résolution qui affine le rendu final. Des protections spéciales garantissent que les caractéristiques importantes, telles que les plis intestinaux et les polypes plats subtils, sont préservées et non estompées ou inventées par erreur.

Vérifier si le faux paraît réel

Pour tester si les images synthétiques d’EndoStyle étaient crédibles, l’équipe les a d’abord comparées à des images réelles de coloscopie en utilisant des métriques de vision par ordinateur mesurant le réalisme visuel et la similarité perceptuelle. Sur cinq processeurs vidéo différents et des centaines de milliers de trames, les images converties correspondaient de près aux vraies tant pour l’aspect général que pour la texture détaillée. Trois modèles d’IA indépendants, entraînés à analyser des images médicales, ont aussi jugé que les nouvelles images étaient à la fois fidèles au contenu d’origine et proches du style de l’appareil cible. Ensuite, 22 endoscopistes expérimentés de 16 centres ont participé à une expérience en aveugle. Ils ont regardé de courts vidéos de coloscopie et vu des images fixes, certaines réelles et d’autres générées par EndoStyle. Les médecins devaient dire quelles images provenaient du même examen. Ils ont identifié les images EndoStyle presque aussi souvent que les vraies trames et bien plus fréquemment que les discordances évidentes, ce qui suggère que les images synthétiques ont passé un test de plausibilité en conditions réelles.

Aider l’IA à trouver les bons polypes et ignorer le bruit

Les auteurs ont ensuite évalué si ces images réalistes et adaptées au style pouvaient réellement améliorer la détection des polypes par l’IA. Ils ont entraîné plusieurs systèmes de détection sur un mélange d’images de coloscopie publiques et de trames générées par EndoStyle adaptées pour correspondre à deux processeurs Olympus spécifiques utilisés dans les vidéos de test. Ils ont aussi étudié un cas plus difficile où les données d’entraînement initiales provenaient d’une autre marque (Fujifilm) que EndoStyle n’avait jamais vue pendant son propre apprentissage. Dans les deux situations, l’ajout d’images synthétiques calées sur le processeur cible a rendu les modèles d’IA plus sélectifs : les fausses alertes ont diminué d’environ un quart à plus de 40 %, selon la configuration, tandis que la sensibilité — la fréquence de détection des vrais polypes — n’a baissé que modestement. Il est important de noter que les images synthétiques ne semblaient pas créer de faux polypes, et la plupart des rares lésions manquées étaient déjà difficiles pour l’IA de base et les outils commerciaux.

Ce que cela pourrait signifier pour les patients et les cliniques

En montrant que des images synthétiques réalistes et spécifiques au processeur peuvent être créées et utilisées en toute sécurité pour entraîner des algorithmes de détection, ce travail propose une voie pratique pour rendre l’IA en coloscopie plus portable et fiable. Plutôt que de collecter et annoter de larges nouveaux jeux de données à chaque fois qu’une clinique change ou met à jour son matériel, les développeurs pourraient adapter des collections d’images existantes au style du nouvel appareil avec EndoStyle et réentraîner leurs systèmes avec moins d’efforts supplémentaires. Le bénéfice immédiat est une IA qui génère moins de fausses alertes tout en détectant la plupart des polypes importants, rendant les outils moins distrayants et plus dignes de confiance pour les endoscopistes. Avec le temps, de telles approches de transfert de style pourraient contribuer à standardiser les performances de l’IA entre hôpitaux et soutenir à la fois une meilleure prévention du cancer et des simulateurs de formation plus réalistes pour les futurs médecins.

Citation: 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

Mots-clés: coloscopie, détection des polypes, IA en imagerie médicale, transfert de style, décalage de domaine