Смешение экземпляров методом Cut: предметно-ориентированный метод аугментации данных для обнаружения поражений ЖКТ

Почему умнее подготовленные учебные данные важны для здоровья кишечника

Врачи используют крошечные камеры, чтобы заглянуть внутрь нашего пищеварительного тракта и выявить ранние признаки болезни, например небольшие аномальные участки, которые со временем могут превратиться в рак. Но эти признаки бывают чрезвычайно тонкими, и компьютеры, которые могли бы помогать врачам их находить, нуждаются в тысячах хорошо размеченных изображений, чтобы научиться, на что обращать внимание. В этой статье представлен новый способ «выращивания» реалистичных учебных изображений на компьютере, который облегчает обучение систем искусственного интеллекта обнаружению таких трудноуловимых поражений на ранней стадии.

Проблема скрытых предупредительных участков

Поражения в желудке и кишечнике — такие как кишечная метаплазия, ранняя дисплазия и небольшие полипы — являются важными ранними признаками рака, однако они часто выглядят лишь немного иначе, чем здоровая ткань. Люди-эксперты иногда пропускают их, и компьютерные модели тоже испытывают трудности, главным образом потому, что не хватает высококачественных тщательно размеченных изображений для обучения. Сбор и аннотирование эндоскопических изображений дорогостоящи, требуют много времени и связаны с этическими сложностями, особенно для редких типов поражений. Традиционные приемы увеличения данных — такие как зеркальное отражение, вращение или смешивание целых изображений — помогают в повседневной фотографии, но они нередко размывают или искажают именно те тонкие детали и границы, которые наиболее важны при обследовании ЖКТ.

От грубого вырезания и вставки к смешению, учитывающему анатомию

Исследователи пробовали более продвинутые методы «вырезай-и-вставь», которые копируют видимые поражения из одного изображения и вставляют их в другое, или используют генеративные модели для создания совершенно новых изображений. Хотя эти стратегии увеличивают разнообразие данных, они часто игнорируют окружающую анатомию. Вставленное поражение может оказаться в нереалистичном месте или конфликтовать по цвету и текстуре с соседними тканями, делая учебные изображения менее правдоподобными. Генеративные модели, такие как GAN или диффузионные сети, могут дать впечатляющие картинки, но требуют очень больших наборов данных, их трудно контролировать, и они рискуют «выдумывать» структуры, которых нет у реальных пациентов. Для задач, зависящих от тонких цветовых сдвигов и мелких паттернов поверхности — как при ранних заболеваниях желудка и толстой кишки — эти недостатки ограничивают полезность существующих методов аугментации.

Новый способ органично вписать поражения в реалистичные сцены

Авторы предлагают Cut Instance Mixing (CIM) — предметно-специфичный подход, разработанный специально для изображений ЖКТ. Вместо случайной вставки поражений CIM сначала анализирует здоровое изображение, чтобы найти значимые области, напоминающие реальные слизистые узоры. Он делает это, группируя пиксели в плавные, биологически правдоподобные участки, а затем разрезая их на более мелкие аккуратные субрегионы. Затем CIM выбирает реальное поражение из другого изображения и ищет субрегион, цвет и текстура которого наиболее близки к окружению поражения. Поражение помещают туда и плавно смешивают с использованием техник, сохраняющих края и освещение, с регулировочным параметром (обозначаемым α), который контролирует, насколько выраженным или едва заметным будет поражение. В результате получается синтетическое изображение, где поражение выглядит так, как будто оно естественно сформировалось в этой точке, а поскольку исходная метка поражения известна, новое изображение автоматически аннотируется для обучения.

Проверка метода на практике

Чтобы выяснить, действительно ли CIM помогает, команда обучила одну и ту же модель глубокого обучения на трех разных наборах эндоскопических данных: кишечная метаплазия, дисплазия и полипы толстой кишки. Для каждого набора они сравнили CIM со стандартными методиками, такими как MixUp, CutMix и простое случайное копирование-вставка, применяя строгую перекрестную проверку и внешний тестовый набор из других больниц в случае полипов. По почти всем показателям производительности — таким как общая точность, способность отделять больную ткань от здоровой и стабильность при повторных тестах — CIM, особенно с более сильным смешением (α около 0.8), показал лучшие результаты. Исследователи также проанализировали тепловые карты, показывающие, куда модель «смотрит», когда принимает решения. Модели, обученные с CIM, сосредотачивались более точно на истинных областях поражения, лучше совпадая с медицинскими аннотациями по сравнению с альтернативами, что говорит о том, что CIM помогает сети учить более клинически значимые признаки, а не уловки или шум.

Что это значит для будущего скрининга рака ЖКТ

Проще говоря, CIM дает компьютерам врачей больше и лучше подготовленных тренировочных изображений, вставляя реальные поражения в правдоподобные новые места с учетом анатомии. Такой подход снижает дисбаланс между распространенными и редкими состояниями, усиливает обнаружение ранних и тонких заболеваний и работает без тяжелых, трудно контролируемых генеративных моделей или дополнительных вспомогательных сетей. Хотя текущее исследование сосредоточено на бинарных решениях — поражение или нет — ту же стратегию можно расширить на множественные типы поражений и протестировать на других органных системах. При широком применении CIM и аналогичные методы, учитывающие анатомию при «смешивании» данных, могли бы сделать компьютерную поддержку эндоскопии более надежной, помогая специалистам раньше и стабильнее находить опасные изменения в пищеварительном тракте.

Цитирование: Neto, A., Almeida, E., Libânio, D. et al. Cut instance mixing: A domain-specific data augmentation method applied to gastrointestinal lesion detection. Sci Rep 16, 11941 (2026). https://doi.org/10.1038/s41598-026-42138-2

Ключевые слова: поражения желудочно-кишечного тракта, эндоскопическая визуализация, аугментация данных, глубокое обучение, скрининг рака