InfoColon: Um conjunto de dados para quadros informativos consecutivos em colonoscopia

Por que vídeos de cólon mais claros importam

A colonoscopia é uma das principais ferramentas que os médicos usam para detectar sinais precoces de câncer colorretal, mas os vídeos que ela produz costumam ser bagunçados. Muitos quadros estão borrados, obstruídos por bolhas ou instrumentos, ou simplesmente mostram uma parede de tecido sem interesse. Esses momentos inúteis atrasam os médicos e confundem programas de computador que procuram auxiliar o exame. Este estudo apresenta o InfoColon, uma nova coleção pública de vídeos de colonoscopia projetada para separar vistas úteis das inúteis e ajudar a construir sistemas de IA médica mais inteligentes e confiáveis.

Limpeza de um fluxo de vídeo médico ruidoso

Durante uma colonoscopia, a câmera se move por um órgão tortuoso, úmido e em movimento. À medida que o médico avança e recua o endoscópio, a imagem pode tremer, embaçar ou encher de reflexos da luz. Os autores apontam que esses quadros não informativos dificultam a detecção de pólipos, aumentam a fadiga dos clínicos e prolongam os procedimentos para os pacientes. Eles defendem que a capacidade de identificar rapidamente os quadros informativos, onde o interior do cólon e suas estruturas são claramente visíveis, melhoraria o diagnóstico, permitiria verificações automáticas de qualidade e apoiaria novas ferramentas, como mapas 3D do cólon e auxílios de navegação. Ainda assim, até agora não existia um grande conjunto de dados público para treinar e comparar tais métodos.

Uma nova biblioteca compartilhada de vistas do cólon

Os pesquisadores construíram o InfoColon combinando vídeos reais de colonoscopia de dois hospitais com várias coleções públicas de imagens bem conhecidas. A partir de exames hospitalares, coletaram mais de 119.000 quadros amostrados a cada segundo, e então adicionaram dezenas de milhares de quadros de conjuntos de pesquisa existentes. Cada quadro foi rotulado por endoscopistas especialistas como informativo ou pertencente a um dos seis tipos não informativos: parede lisa, bolha, borrado, má iluminação, instrumento no caminho ou outros obstáculos como fezes. Verificações em uma amostra de quadros mostraram forte concordância entre os especialistas, dando confiança de que os rótulos são confiáveis. Junto aos vídeos, a equipe fornece relatórios resumidos que mostram como os quadros informativos se distribuem ao longo do tempo em cada procedimento.

Ensinando computadores a focar no que importa

Rotular manualmente um número tão grande de quadros seria caro e demorado, por isso a equipe testou estratégias de aprendizado que aproveitam ao máximo um conjunto menor de exemplos rotulados. Eles compararam aprendizado supervisionado padrão com abordagens semi-supervisionadas e de aprendizado ativo que pedem aos especialistas para rotular apenas as novas amostras mais úteis. Seu novo método, chamado Accuracy Driven Adaptive Threshold BALD, escolhe quadros para revisão de especialistas com base em quanto o desempenho do modelo está mudando, em vez de apenas quão incerto ele está. Usando um modelo vision transformer moderno, mostraram que essa abordagem pode atingir alta precisão ao distinguir quadros informativos de não informativos em vários esquemas de rótulos, enquanto usa muito menos imagens rotuladas por especialistas do que o treinamento tradicional.

De quadros de vídeo planos a mapas 3D

O InfoColon faz mais do que listar quais quadros são claros. O conjunto de dados também inclui vídeos de calibração da câmera e parâmetros que corrigem a distorção de grande ângulo da lente do colonoscópio. Com esses dados, os autores usaram apenas quadros informativos para testar métodos de reconstrução 3D que transformam imagens 2D em uma nuvem de pontos 3D da superfície do cólon. Em clipes de exemplo, os modelos 3D resultantes capturaram formas importantes como pregas, curvas e textura, e mostraram transições suaves de quadro para quadro. Isso sugere que um fluxo bem filtrado de quadros pode suportar ferramentas futuras que guiem o endoscópio, estimem cobertura ou ajudem a identificar áreas negligenciadas.

O que isso significa para pacientes e pesquisadores

Para um leigo, o InfoColon pode ser visto como uma biblioteca cuidadosamente organizada que guarda as imagens claras e marca as inúteis, enquanto também registra como a câmera se comporta. Esse recurso compartilhado deve facilitar para pesquisadores de todo o mundo construir e comparar de forma justa programas que limpam, analisam ou reconstruam vídeos de colonoscopia. A longo prazo, esse progresso pode apoiar os médicos com melhores verificações de qualidade e vistas mais informativas do cólon, sem alterar o procedimento em si para os pacientes.

Citação: Choi, T., Moon, H.S., Jang, S. et al. InfoColon: A dataset for consecutive informative frames in Colonoscopy. Sci Data 13, 748 (2026). https://doi.org/10.1038/s41597-026-07060-2

Palavras-chave: colonoscopia, imagem médica, análise de vídeo, conjunto de dados, aprendizado ativo