Transfer stylu obrazów endoskopowych przewodu pokarmowego przy użyciu EndoStyle w celu poprawy modeli predykcyjnych sztucznej inteligencji

Precyzyjniejsza pomoc komputerowa przy badaniach przesiewowych raka jelita

Kolonoskopia ratuje życie, wykrywając i usuwając niewielkie zmiany, zwane polipami, zanim przekształcą się w nowotwór. Wiele szpitali korzysta dziś ze sztucznej inteligencji (AI), aby wspomagać lekarzy w wykrywaniu tych drobnych zmian na ekranie wideo. Narzędzia AI często jednak zawodzą po przeniesieniu do innej placówki, ponieważ obrazy różnią się nieznacznie w zależności od systemu kamerowego. W tym badaniu przedstawiono nową technikę o nazwie EndoStyle, która przekształca obrazy z kolonoskopii tak, aby systemy AI działały bardziej niezawodnie na różnych urządzeniach.

Dlaczego obrazy endoskopowe są różne

Dla pacjenta kolonoskopia może wyglądać podobnie, ale każde pracownia ma własny procesor wideo i kamerę. Urządzenia te różnią się tonacją kolorów, jasnością, kontrastem, ostrością, a nawet rozmiarem i pozycją okrągłego obrazu na ekranie. Dla systemu AI wytrenowanego w jednym szpitalu takie „przemieszczenie domeny” może być poważnym zaskoczeniem: nowe obrazy przestają odpowiadać temu, czego się nauczył, i dokładność może spadać. Obecne standardowe poprawki — jak obracanie, odbijanie czy drobne rozjaśnianie obrazów podczas treningu — nie odtwarzają charakterystycznego wyglądu różnych systemów wideo. W rezultacie komercyjne asystenty AI są zwykle dostrojone pod konkretne urządzenia i mogą działać gorzej w innych warunkach.

Nauczanie obrazów stylu lokalnej kamery

Naukowcy zaprojektowali EndoStyle jako cyfrowego tłumacza między systemami endoskopowymi. Przyjmuje klatkę z kolonoskopii oraz docelowy „styl” (na przykład wygląd wizualny konkretnego procesora wideo) i generuje nowy obraz, który zachowuje anatomię i wszelkie polipy, ale zmienia ogólny wygląd, aby pasował do docelowego urządzenia. W praktyce EndoStyle łączy wydajną sieć do translacji obrazów z modelem superrozdzielczości, który wyostrza końcowy obraz. Specjalne zabezpieczenia zapewniają, że istotne cechy — takie jak fałdy jelita czy subtelne, płaskie polipy — są zachowane, a nie wygładzane lub wymyślane.

Sprawdzanie, czy syntetyk wygląda jak prawdziwy

Aby ocenić wiarygodność syntetycznych obrazów EndoStyle, zespół najpierw porównał je z prawdziwymi obrazami kolonoskopii za pomocą metryk widzenia komputerowego mierzących realizm wizualny i podobieństwo percepcyjne. W obrębie pięciu różnych procesorów wideo i setek tysięcy klatek, przekonwertowane obrazy dobrze odpowiadały rzeczywistym zarówno pod względem ogólnego wyglądu, jak i szczegółowej faktury. Trzy niezależne modele AI, wytrenowane do analizy obrazów medycznych, oceniły nowe obrazy jako podobne jednocześnie do oryginalnej treści i do stylu docelowego urządzenia. Następnie 22 doświadczeni endoskopiści z 16 ośrodków wzięli udział w badaniu z zaślepieniem. Oglądali krótkie filmy z kolonoskopii i widzieli pojedyncze klatki, niektóre prawdziwe, inne wygenerowane przez EndoStyle. Lekarze mieli wskazać, które obrazy pochodziły z tego samego badania. Wybierali obrazy EndoStyle niemal tak często jak prawdziwe klatki i znacznie częściej niż oczywiste niezgodności, co sugeruje, że syntetyczne obrazy przeszły praktyczny „test wiarygodności”.

Pomaganie AI w znajdowaniu właściwych polipów i ignorowaniu szumu

Następnie autorzy sprawdzili, czy realistyczne, dopasowane stylistycznie obrazy mogą rzeczywiście poprawić wykrywanie polipów przez AI. Wytrenowali kilka systemów detekcji na mieszance publicznych obrazów z kolonoskopii oraz klatek wygenerowanych przez EndoStyle, dostosowanych do dwóch konkretnych procesorów Olympus użytych w filmach testowych. Zbadali także trudniejszy przypadek, w którym oryginalne dane treningowe pochodziły od innej marki (Fujifilm), której EndoStyle nie widział podczas własnego treningu. W obu sytuacjach dodanie syntetycznych obrazów dopasowanych do procesora docelowego sprawiło, że modele AI stały się bardziej selektywne: liczba fałszywych alarmów spadła o mniej więcej jedną czwartą do ponad 40 procent, w zależności od konfiguracji, podczas gdy czułość — jak często wykrywane były prawdziwe polipy — spadła tylko nieznacznie. Co ważne, syntetyczne obrazy nie wydawały się tworzyć fałszywych polipów, a większość nielicznych pominiętych zmian była już trudna do wykrycia zarówno dla podstawowego AI, jak i narzędzi komercyjnych.

Co to może znaczyć dla pacjentów i klinik

Pokazując, że realistyczne, specyficzne dla procesora obrazy syntetyczne można stworzyć i bezpiecznie wykorzystać do trenowania algorytmów detekcji, praca ta oferuje praktyczny sposób na uczynienie AI w kolonoskopii bardziej przenośną i niezawodną. Zamiast za każdym razem zbierać i etykietować duże nowe zbiory danych po modernizacji lub zmianie sprzętu, deweloperzy mogliby dostosować istniejące zbiory obrazów do stylu nowego urządzenia za pomocą EndoStyle i przeprowadzić retrening systemów przy mniejszej liczbie dodatkowych kroków. Natychmiastową korzyścią jest AI generująca mniej fałszywych alarmów, a jednocześnie wykrywająca większość istotnych polipów, co czyni narzędzia mniej rozpraszającymi i bardziej godnymi zaufania dla endoskopistów. Z czasem podejścia oparte na transferze stylu mogą pomóc w ujednoliceniu wydajności AI między szpitalami oraz wspierać lepszą profilaktykę raka i bardziej realistyczne symulatory szkoleniowe dla przyszłych lekarzy.

Cytowanie: 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

Słowa kluczowe: kolonoskopia, wykrywanie polipów, AI w obrazowaniu medycznym, transfer stylu, przemieszczenie domeny