InfoColon: En dataset för bakomliggande informativa bildrutor i koloskopi

Varför klarare koloskopivideor spelar roll

Koloskopi är ett av läkarens viktigaste verktyg för att upptäcka tidiga tecken på kolorektal cancer, men de videor som undersökningen producerar är ofta röriga. Många bildrutor är suddiga, blockerade av bubblor eller instrument, eller visar helt enkelt en tom vägg av vävnad. Dessa oönskade ögonblick saktar ner läkare och förvirrar de datorprogram som ska assistera dem. Denna studie introducerar InfoColon, en ny delad samling koloskopivideor utformad för att skilja användbara vyer från oanvändbara och för att hjälpa till att bygga smartare, mer pålitliga medicinska AI-system.

Rensa upp en brusig medicinsk videoström

Under en koloskopi rör sig kameran genom ett krokigt, fuktigt och rörligt organ. När läkaren för in eller drar ut sonden kan bilden skaka, dimma eller fyllas av bländning från ljuset. Författarna påpekar att sådana oinformerade bildrutor försvårar upptäckt av polyper, ökar trötthet hos kliniker och förlänger procedurerna för patienter. De argumenterar för att förmågan att snabbt plocka ut de informativa bildrutorna, där kolonets inre tunnel och dess strukturer ses tydligt, skulle förbättra diagnoser, möjliggöra automatiska kvalitetskontroller och stödja nya verktyg såsom 3D-kartor över kolon och navigationshjälp. Hittills har det dock saknats en stor offentlig dataset för att träna och jämföra sådana metoder.

En ny delad bibliotek av kolonvyer

Forskarna byggde InfoColon genom att kombinera verkliga koloskopivideor från två sjukhus med flera välkända publika bildsamlingar. Från sjukhusundersökningar samlade de in mer än 119 000 bildrutor provtagna en gång per sekund, och lade sedan till tiotusentals rutor från befintliga forskningsdataset. Varje bildruta märktes av expertendoskopister som antingen informativ eller tillhörande en av sex oinformerade typer: slät vägg, bubbla, suddig, dåligt ljus, instrument i vägen eller andra hinder såsom avföring. Kontroller på ett stickprov av rutor visade stark överensstämmelse mellan experter, vilket ger förtroende för att märkningarna är pålitliga. Parallellt med videorna tillhandahåller teamet sammanfattande rapporter som visar hur informativa bildrutor fördelas över tid i varje procedur.

Lära datorer att fokusera på det som spelar roll

Att märka så stort antal bildrutor för hand skulle vara kostsamt och tidskrävande, så teamet testade inlärningsstrategier som kan utnyttja en mindre mängd märkta exempel maximalt. De jämförde vanlig övervakad inlärning med semiövervakade och aktiva inlärningsmetoder som ber experter märka endast de mest hjälpsamma nya exemplen. Deras nya metod, kallad Accuracy Driven Adaptive Threshold BALD, väljer rutor för expertgranskning baserat på hur mycket modellens prestanda förändras, snarare än bara hur osäker den är. Med en modern vision transformer-modell visade de att detta tillvägagångssätt kan nå hög noggrannhet i att skilja informativa från oinformerade rutor över flera märkningsupplägg, samtidigt som det använder långt färre expertmärkta bilder än traditionell träning.

Från platta videorutor till 3D-kartor

InfoColon gör mer än att lista vilka rutor som är tydliga. Datasetset inkluderar även kamerakalibreringsvideor och parametrar som korrigerar för vidvinkelavvikelsen i koloskopets lins. Med dessa i handen använde författarna endast informativa rutor för att testa 3D-rekonstruktionsmetoder som omvandlar 2D-bilder till ett 3D-punktmoln av kolons yta. I exempelklipp fångade de resulterande 3D-modellerna viktiga former såsom veck, böjar och textur och visade mjuka övergångar från ruta till ruta. Detta tyder på att ett väl filtrerat ström av rutor kan stödja framtida verktyg som styr sonden, uppskattar täckning eller hjälper till att upptäcka förbisedda områden.

Vad detta innebär för patienter och forskare

För en lekmannaperson kan InfoColon ses som ett omsorgsfullt organiserat bibliotek som behåller de klara bilderna och taggar de värdelösa, samtidigt som det också spelar in hur kameran beter sig. Denna delade resurs bör göra det enklare för forskare världen över att bygga och rättvist jämföra datorprogram som rensar, analyserar eller rekonstruerar koloskopivideor. På lång sikt kan sådana framsteg stödja läkare med bättre kvalitetskontroller och mer informativa vyer av kolon, utan att ändra själva proceduren för patienterna.

Citering: 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

Nyckelord: koloskopi, medicinsk avbildning, videoanalys, dataset, aktiv inlärning