Metoda wykrywania polipów przewodu pokarmowego oparta na ulepszonym RT-DETR

Dlaczego wykrywanie drobnych zmian ma znaczenie

Rak jelita grubego często zaczyna się od niewielkich wyrośli na śluzówce zwanych polipami. Lekarze stosują kolonoskopię i inne badania endoskopowe, by je znaleźć i usunąć, zanim staną się groźne. Nawet doświadczeni endoskopiści mogą jednak przeoczyć subtelne lub nietypowo ukształtowane zmiany, zwłaszcza w hałaśliwym, szybko zmieniającym się obrazie wideo. W badaniu przedstawiono system sztucznej inteligencji (AI) zaprojektowany jako ultraprzyśpieszony, dodatkowy „zestaw oczu”, wykrywający większą liczbę polipów w czasie rzeczywistym, nie spowalniając procedury.

Wyzwaniu polega na widzeniu tego, co niewidoczne

Polipy występują w różnych rozmiarach i kształtach — od malutkich, płaskich plamek po wyraźniejsze guzki — i potrafią ukrywać się między fałdami, w cieniu, w płynach czy w refleksach. Komercyjne asystenty AI już istnieją, ale bywają mniej skuteczne, gdy obrazy pochodzą z różnych kamer albo gdy polipy są bardzo małe lub mają niski kontrast. Wiele rozwiązań badawczych stoi przed kompromisem: jeśli są dokładne, zwykle są wolne; jeśli zaś wystarczająco szybkie do pracy wideo w czasie rzeczywistym, mogą przeoczać trudne do wykrycia zmiany. Autorzy koncentrują się na przełamaniu tego kompromisu, by lekarze mogli mieć jednocześnie szybkość i wyższą ostrość rozpoznawania.

Mądrzejsze odczytywanie nagrań endoskopowych

Zespół bazuje na nowoczesnym systemie detekcji o nazwie RT-DETR-r18, który traktuje wykrywanie polipów jak przekształcenie obrazu w listę obiektów. Dodali trzy kluczowe ulepszenia dopasowane do specyfiki obrazów endoskopowych. Pierwsze, moduł zachowujący detale, ma na celu utrzymanie drobnej tekstury powierzchni płaskich lub odległych polipów, które standardowe algorytmy zacierają przy zmniejszaniu obrazów do analizy. Drugie ulepszenie wprowadza efektywny mechanizm uwagi: zamiast badać wszystkie pary pikseli w kosztownej operacji, używa oszczędniejszego sposobu skupiania się na najbardziej informatywnych obszarach, pomagając ignorować rozpraszacze, takie jak pęcherzyki, resztki kału czy refleksy. Trzecie ulepszenie łączy informacje z kilku skal, dzięki czemu system radzi sobie zarówno ze zbliżeniami o wysokiej szczegółowości, jak i z malutkimi „kropkami” reprezentującymi zmiany widoczne z większej odległości.

Testowanie systemu

Aby ocenić skuteczność metody, badacze trenowali i testowali ją na 1 611 oznaczonych obrazach z dwóch różnych źródeł: standardowej kolonoskopii i bezprzewodowej endoskopii kapsułkowej. To połączenie wymusza, by AI opierała się na rzeczywistych cechach zmian, a nie na specyfice jednego urządzenia. Eksperckie maski segmentacyjne zamieniono na ciasne ramki ograniczające, aby dać modelowi precyzyjne przykłady lokalizacji polipów. Wyniki oceniano za pomocą typowych miar, takich jak precyzja (unikanie fałszywych alarmów), czułość (unikanie przeoczeń) i średnia precyzja, a także liczba obrazów przetwarzanych na sekundę. W pięciu niezależnych uruchomieniach ulepszony system zwiększył precyzję z 90,7% do 94,8% i czułość z 84,0% do 89,9%, jednocześnie poprawiając ogólną jakość wykrywania. Co istotne, nadal analizował wideo z prędkością około 188 klatek na sekundę — znacznie powyżej typowych 30–60 kl./s w endoskopii klinicznej — więc może nadążyć za rzeczywistymi procedurami.

Porównanie i ograniczenia

W zestawieniu z popularnymi detektorami z rodziny YOLO oraz mocniejszymi wariantami RT-DETR nowa metoda osiągnęła najlepszy kompromis między dokładnością, precyzją obrysów polipów a kosztem obliczeniowym. Dawała czystsze wyniki detekcji, z mniejszą liczbą zbyt dużych ramek i mniejszą liczbą przeoczonych zmian, szczególnie w złożonych scenach. System nie jest jednak bez wad. Czasami zawodzi w bardzo ciemnych obszarach lub gdy zmiany są częściowo ukryte przez fałdy. Może też mylić jasne refleksy lub pęcherzyki z prawdziwymi polipami, jeśli przypominają okrągłe, wypukłe wyrośla. Autorzy sugerują, że dodanie informacji z sąsiednich klatek wideo w przyszłości mogłoby pomóc odfiltrować takie chwilowe artefakty i ustabilizować alarmy.

Co to oznacza dla pacjentów i lekarzy

Z perspektywy laika badanie pokazuje, że AI potrafi już skanować obrazy endoskopowe znacznie szybciej niż człowiek, jednocześnie popełniając mniej błędów niż obecne detektory czasu rzeczywistego. Dzięki lepszemu zachowaniu drobnych detali, skupianiu uwagi na istotnych obszarach i obsłudze obiektów w różnych skalach wizualnych proponowany system znajduje więcej potencjalnych miejsc nieprawidłowości bez spowalniania badania. Choć wyniki pochodzą z starannie przygotowanych zbiorów obrazów, a nie z żywych kolonoskopii, wskazują na narzędzia AI, które mogłyby zmniejszyć ryzyko, że istotny polip zostanie przeoczony. Kolejnym krokiem będą szeroko zakrojone badania kliniczne, by ustalić, czy te techniczne osiągnięcia przełożą się na mniej przeoczonych nowotworów i pewniejsze, wydajniejsze przesiewy dla pacjentów.

Cytowanie: 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

Słowa kluczowe: kolonoskopia, wykrywanie polipów, Sztuczna inteligencja medyczna, obrazowanie endoskopowe, badania przesiewowe w czasie rzeczywistym