Transferência de estilo de imagens endoscópicas gastrointestinais usando EndoStyle para melhorar modelos de predição por inteligência artificial

Ajuda computacional mais nítida para triagens de câncer colorretal

As colonoscopias salvam vidas ao localizar e remover pequenos crescimentos, chamados pólipos, antes que se tornem câncer. Muitos hospitais hoje usam inteligência artificial (IA) para ajudar médicos a identificar essas pequenas lesões na tela de vídeo. Mas ferramentas de IA frequentemente falham ao serem levadas de um hospital para outro, porque as imagens variam ligeiramente conforme o sistema de câmera. Este estudo apresenta uma nova técnica, chamada EndoStyle, que remodela imagens de colonoscopia para que sistemas de IA tenham desempenho mais consistente entre diferentes aparelhos.

Por que imagens endoscópicas não são todas iguais

Uma colonoscopia pode parecer a mesma para o paciente, mas nos bastidores cada clínica usa seu próprio processador de vídeo e câmera. Esses dispositivos variam em tonalidade de cor, brilho, contraste, nitidez e até no tamanho e posição da imagem circular na tela. Para um sistema de IA treinado em um hospital, essa “mudança de domínio” pode ser um choque: as novas imagens deixam de corresponder ao que foi aprendido, e a acurácia pode cair. Correções padrão de hoje — como inverter, rotacionar ou clarear ligeiramente imagens durante o treinamento — não reproduzem o aspecto distintivo dos diferentes sistemas de vídeo. Como resultado, assistentes comerciais de IA geralmente são calibrados para hardware específico e podem não funcionar tão bem em outros ambientes.

Ensinar as imagens a combinar com o estilo da câmera local

Os pesquisadores projetaram o EndoStyle para agir como um tradutor digital entre sistemas endoscópicos. Ele recebe um quadro de colonoscopia e um “estilo” alvo (por exemplo, a aparência visual de um processador de vídeo específico) e produz uma nova imagem que mantém a anatomia e eventuais pólipos intactos, mas altera a aparência geral para corresponder ao dispositivo alvo. No núcleo do método, o EndoStyle combina uma poderosa rede de tradução de imagem com um modelo de super‑resolução que aumenta a nitidez do resultado final. Salvaguardas especiais garantem que características importantes, como pregas intestinais e pólipos planos sutis, sejam preservadas em vez de apagadas ou acidentalmente inventadas.

Verificando se o falso parece real

Para testar se as imagens sintéticas do EndoStyle eram confiáveis, a equipe primeiro as comparou com imagens reais de colonoscopia usando métricas de visão computacional que capturam realismo visual e similaridade perceptual. Em cinco processadores de vídeo diferentes e centenas de milhares de quadros, as imagens convertidas corresponderam de perto às reais tanto na aparência geral quanto na textura detalhada. Três modelos independentes de IA, treinados para interpretar imagens médicas, também julgaram as novas imagens como simultaneamente semelhantes ao conteúdo original e ao estilo do dispositivo alvo. Em seguida, 22 endoscopistas experientes de 16 centros participaram de um experimento cego. Eles assistiram a vídeos curtos de colonoscopia e viram quadros estáticos, alguns reais e outros gerados pelo EndoStyle. Os médicos foram questionados sobre quais imagens vinham do mesmo exame. Eles identificaram imagens do EndoStyle quase com a mesma frequência que quadros verdadeiros e muito mais do que combinações óbvias, sugerindo que as imagens sintéticas passaram num “teste do olfato” do mundo real.

Ajudando a IA a encontrar os pólipos certos e ignorar o ruído

Os autores então investigaram se essas imagens realistas e com estilo correspondente poderiam realmente melhorar a detecção de pólipos por IA. Treinaram vários sistemas de detecção com uma mistura de imagens públicas de colonoscopia e quadros gerados pelo EndoStyle ajustados para corresponder a dois processadores Olympus específicos usados nos vídeos de teste. Também examinaram um caso mais difícil em que os dados de treinamento originais vieram de uma marca diferente (Fujifilm) que o EndoStyle nunca havia visto durante seu próprio treinamento. Em ambas as situações, adicionar imagens sintéticas ajustadas ao processador alvo tornou os modelos de IA mais seletivos: alarmes falsos caíram cerca de um quarto a mais de 40%, dependendo da configuração, enquanto a sensibilidade — com que frequência pólipos verdadeiros eram detectados — caiu apenas modestamente. Importante, as imagens sintéticas não pareceram criar pólipos falsos, e a maioria das poucas lesões perdidas já era difícil tanto para a IA de referência quanto para ferramentas comerciais.

O que isso pode significar para pacientes e clínicas

Ao mostrar que imagens sintéticas realistas e específicas de processador podem ser criadas e usadas com segurança para treinar algoritmos de detecção, este trabalho oferece uma forma prática de tornar a IA para colonoscopia mais portátil e confiável. Em vez de coletar e rotular grandes novos conjuntos de dados cada vez que uma clínica atualiza ou troca seu equipamento, desenvolvedores poderiam adaptar coleções de imagens existentes ao estilo do novo dispositivo com o EndoStyle e retreinar seus sistemas com menos passos extras. O ganho imediato é uma IA que gera menos alarmes falsos ao mesmo tempo em que continua a detectar a maioria dos pólipos importantes, tornando as ferramentas menos distrativas e mais confiáveis para endoscopistas. Ao longo do tempo, abordagens de transferência de estilo assim podem ajudar a padronizar o desempenho da IA entre hospitais e a apoiar tanto uma prevenção de câncer mais eficaz quanto simuladores de treinamento mais realistas para futuros médicos.

Citação: 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

Palavras-chave: colonoscopia, detecção de pólipos, IA em imagem médica, transferência de estilo, mudança de domínio