Stijltransfer van endoscopische beelden van het maagdarmkanaal met EndoStyle om AI-voorspellingsmodellen te verbeteren

Heldere computerhulp voor colonkankerscreening

Coloscopieën redden levens door kleine gezwellen, poliepen genaamd, op te sporen en te verwijderen voordat ze kanker worden. Veel ziekenhuizen gebruiken tegenwoordig kunstmatige intelligentie (AI) om artsen te helpen deze kleine afwijkingen op het videoscherm te zien. Maar AI-tools struikelen vaak wanneer ze van het ene naar het andere ziekenhuis worden overgebracht, omdat de beelden licht verschillen afhankelijk van het camerasysteem. Deze studie introduceert een nieuwe techniek, EndoStyle, die coloscopiebeelden herschikt zodat AI-systemen betrouwbaarder presteren op verschillende apparaten.

Waarom endoscopiebeelden niet allemaal hetzelfde ogen

Voor een patiënt kan een coloscopie hetzelfde lijken, maar achter de schermen gebruikt iedere kliniek zijn eigen videoprocessor en camera. Deze apparaten verschillen in kleurtint, helderheid, contrast, scherpte en zelfs de grootte en positie van de ronde afbeelding op het scherm. Voor een AI-systeem dat in één ziekenhuis is getraind, kan deze “domeinverschuiving” een flinke schok zijn: de nieuwe beelden komen niet meer overeen met wat het heeft geleerd en de nauwkeurigheid kan dalen. De gebruikelijke oplossingen — zoals spiegelen, roteren of licht ophelderen van beelden tijdens training — reproduceren niet de kenmerkende uitstraling van verschillende videosystemen. Daardoor zijn commerciële AI-assistenten meestal afgestemd op specifieke hardware en werken ze elders mogelijk minder goed.

Beelden leren aanpassen aan de lokale camerastijl

De onderzoekers ontwierpen EndoStyle als een digitale vertaler tussen endoscopiesystemen. Het neemt een frame van een coloscopie en een doel “stijl” (bijvoorbeeld het visuele uiterlijk van een specifieke videoprocessor) en produceert een nieuw beeld dat de anatomie en eventuele poliepen behoudt maar het algemene uiterlijk aanpast aan het doelsysteem. Technisch combineert EndoStyle een krachtig beeld-translatienetwerk met een superresolutiemodel dat de uiteindelijke output verscherpt. Speciale waarborgen zorgen ervoor dat belangrijke kenmerken, zoals darmlissen en subtiele platte poliepen, behouden blijven in plaats van uitgewist of per ongeluk toegevoegd te worden.

Controleren of de nepbeelden echt lijken

Om te testen of de door EndoStyle gemaakte synthetische beelden betrouwbaar waren, vergeleek het team ze eerst met echte coloscopiebeelden met behulp van computerzien-metricen die visuele realiteit en perceptuele gelijkenis vastleggen. Over vijf verschillende videoprocessors en honderdduizenden frames kwamen de geconverteerde beelden goed overeen met echte in zowel algemene uitstraling als gedetailleerde textuur. Drie onafhankelijke AI‑modellen, getraind om medische beelden te interpreteren, oordeelden eveneens dat de nieuwe afbeeldingen zowel vergelijkbaar waren met de originele inhoud als met de doelschijfstijl. Vervolgens namen 22 ervaren endoscopisten uit 16 centra deel aan een geblindeerd experiment. Zij bekeken korte coloscopievideo’s en kregen stilstaande frames te zien, sommige echt en sommige door EndoStyle gegenereerd. Artsen moesten aangeven welke beelden van hetzelfde onderzoek afkomstig waren. Ze kozen EndoStyle-beelden bijna even vaak als echte frames en veel vaker dan duidelijke mismatches, wat suggereert dat de synthetische afbeeldingen een echte ‘‘reuktest’’ doorstonden.

AI helpen de juiste poliepen te vinden en ruis te negeren

De auteurs vroegen daarna of deze realistische, stijl‑gematchte beelden daadwerkelijk de AI-poliependetectie konden verbeteren. Ze trainden meerdere detectiesystemen op een mix van publieke coloscopiebeelden en EndoStyle‑gegenereerde frames afgestemd op twee specifieke Olympus-processors die in de testvideo’s werden gebruikt. Ze onderzochten ook een moeilijker geval waarin de oorspronkelijke trainingsdata van een ander merk (Fujifilm) kwam dat EndoStyle tijdens zijn eigen training nooit had gezien. In beide situaties zorgde het toevoegen van synthetische beelden afgestemd op de doelsystemen ervoor dat de AI‑modellen selectiever werden: het aantal vals alarmen daalde met ongeveer een kwart tot meer dan 40 procent, afhankelijk van de opzet, terwijl de sensitiviteit — hoe vaak echte poliepen werden gedetecteerd — slechts licht afnam. Belangrijk is dat de synthetische beelden geen valse poliepen leken te creëren, en de meeste van de weinige gemiste laesies waren al moeilijk voor zowel de basis‑AI als commerciële tools.

Wat dit kan betekenen voor patiënten en klinieken

Door te laten zien dat realistische, processor‑specifieke synthetische beelden gemaakt en veilig gebruikt kunnen worden om detectiealgoritmen te trainen, biedt dit werk een praktische manier om coloscopie‑AI draagbaarder en betrouwbaarder te maken. In plaats van telkens grote nieuwe datasets te verzamelen en te labelen wanneer een kliniek zijn apparatuur bijwerkt of verandert, zouden ontwikkelaars bestaande beeldverzamelingen kunnen aanpassen aan de nieuwe apparaatstijl met EndoStyle en hun systemen met minder extra stappen kunnen hertrainen. De directe winst is AI die minder valse alarmen afgeeft terwijl hij nog steeds de meeste belangrijke poliepen detecteert, waardoor de hulpmiddelen minder afleidend en meer betrouwbaar worden voor endoscopisten. Na verloop van tijd kunnen zulke stijltransferbenaderingen helpen AI‑prestaties tussen ziekenhuizen te standaardiseren en zowel betere kankerpreventie als realistischer trainingsmateriaal voor toekomstige artsen ondersteunen.

Bronvermelding: 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

Trefwoorden: coloscopie, poliependetectie, medische beeldvorming AI, stijltransfer, domeinverschuiving