Метод обнаружения полипов ЖКТ на основе улучшенного RT-DETR

Почему важно улавливать крошечные новообразования

Колоректальный рак часто начинается с маленьких наростов — полипов на слизистой кишечника. Врачи используют колоноскопию и другие эндоскопические исследования, чтобы обнаружить и удалить эти полипы до того, как они станут опасными. Тем не менее даже опытные эндоскописты могут пропустить слабовыраженные или неправильно сформированные образования, особенно на шумном, быстро меняющемся видео. В этом исследовании представлена система искусственного интеллекта (ИИ), созданная как сверхбыстрый «второй глаз», который в реальном времени выявляет больше полипов, не замедляя процедуру.

Проблема — видеть то, что скрыто

Полипы бывают разных размеров и форм: от крошечных плоских участков до заметных выступов, и они могут прятаться в складках, тенях, жидкостях и бликах внутри кишки. Коммерческие ИИ‑ассистенты уже существуют, но им бывает трудно, когда изображения поступают с разных камер или когда полипы очень малы или имеют низкую контрастность. Многие исследовательские системы сталкиваются с компромиссом: если они точны, то обычно медленны; если достаточно быстры для видео в реальном времени, то могут пропускать трудноуловимые поражения. Авторы нацелены на разрыв этого компромисса, чтобы врачи могли получить и скорость, и повышенную чувствительность.

Более умный способ анализировать эндоскопическое видео

Команда опирается на современную детекторную архитектуру RT-DETR-r18, которая рассматривает поиск полипов как задачу перевода изображения в список объектов. Они добавляют три ключевых улучшения, ориентированных на особенности эндоскопических изображений. Первое — модуль сохранения деталей, призванный удерживать тонкую текстуру поверхности плоских или удалённых полипов, которую стандартные алгоритмы часто размывают при уменьшении изображений для анализа. Второе — эффективный механизм внимания: вместо тяжёлой проверки всех пар пикселей он использует более лёгкий способ фокусировки на наиболее информативных зонах, помогая системе игнорировать отвлекающие элементы вроде пузырьков, содержимого кишечника или отражений. Третье — объединение информации с нескольких масштабов, чтобы система одинаково хорошо обрабатывала как крупные детальные планы, так и крошечные «точки», представляющие поражения, видимые издалека.

Испытание системы

Чтобы оценить работоспособность метода, исследователи обучали и тестировали его на 1611 размеченных изображениях из двух источников: стандартной колоноскопии и беспроводной капсульной эндоскопии. Такое сочетание заставляет ИИ опираться на настоящие признаки поражений, а не на особенности конкретного устройства. Экспертные маски сегментации были преобразованы в плотные ограничивающие рамки, чтобы дать модели точные примеры расположения полипов. Оценка проводилась с использованием общих метрик: точности (избегание ложных срабатываний), полноты (избегание пропусков) и средней точности, а также числа обрабатываемых изображений в секунду. В пяти независимых запусках улучшенная система повысила точность с 90,7% до 94,8% и полноту с 84,0% до 89,9%, одновременно улучшив общее качество обнаружения. И что важно, она по‑прежнему анализировала видео примерно со скоростью 188 кадров в секунду — значительно выше типичных для клинической эндоскопии 30–60 кадров в секунду, поэтому она может соответствовать реальным процедурам.

Сравнение и ограничения

При сравнении с популярными детекторами семейства YOLO и более мощными вариантами RT-DETR новый метод показал наилучший баланс между точностью, аккуратностью контуров полипов и вычислительными затратами. Он давал чище результаты обнаружения, с меньшим числом чрезмерно больших рамок и меньшим числом пропущенных поражений, особенно в сложных сценах. Всё же система не идеальна. Она иногда ошибается в очень тёмных участках или там, где образования частично скрыты складками. Также возможно ошибочное принятие ярких отражений или пузырьков за истинные полипы, если они имитируют круглую приподнятую форму нароста. Авторы предлагают, что добавление информации из соседних кадров видео в будущем может помочь отфильтровывать такие мимолётные артефакты и дополнительно стабилизировать оповещения.

Что это значит для пациентов и врачей

С точки зрения непрофессионала, исследование показывает, что ИИ уже способен сканировать эндоскопические изображения намного быстрее человека, делая при этом меньше ошибок, чем текущие детекторы в реальном времени. За счёт лучшего сохранения мелких деталей, фокусировки на значимых областях и обработки объектов на разных визуальных масштабах предложенная система находит больше потенциальных проблемных мест, не замедляя обследование. Хотя эти результаты получены на тщательно подготовленных наборах изображений, а не на живых колоноскопиях, они указывают на перспективу создания инструментов ИИ, которые могут снизить вероятность пропуска важного полипа. Следующий шаг — крупномасштабные клинические испытания, чтобы установить, преобразуются ли эти технические улучшения в меньшее число пропущенных случаев рака и более уверенный и эффективный скрининг для пациентов.

Цитирование: 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

Ключевые слова: колоноскопия, обнаружение полипов, медицинский ИИ, эндоскопическая визуализация, скрининг в реальном времени