Metod för upptäckt av gastrointestinala polyper baserad på förbättrad RT-DETR

Varför det är viktigt att fånga små tillväxter

Kolorektal cancer börjar ofta som små tillväxter, så kallade polyper, på tarmens slemhinna. Läkare använder koloskopier och andra endoskopiska undersökningar för att hitta och ta bort dessa polyper innan de blir farliga. Även skickliga endoskopister kan dock missa subtila eller märkligt formade lesioner, särskilt i brusiga, snabbt rörliga videoströmmar. Denna studie presenterar ett artificiellt intelligenssystem (AI) utformat att fungera som ett ultrarappt andra öga som kan upptäcka fler polyper i realtid utan att sakta ner proceduren.

Utmaningen att se det som är dolt

Polyper förekommer i många storlekar och former, från små platta fläckar till tydligare knölar, och de kan gömma sig bland veck, skuggor, vätskor och bländning i tarmen. Kommersiella AI-assistenter finns redan, men de har ibland svårt när bilder kommer från olika kameror eller när polyper är mycket små eller har låg kontrast. Många forskningssystem möter en avvägning: om de är exakta tenderar de att vara långsamma; om de är tillräckligt snabba för realtidsvideo kan de förbise svårupptäckta lesioner. Författarna fokuserar på att bryta denna avvägning så att läkare kan få både hastighet och skarpare syn.

Ett smartare sätt att tolka endoskopivideo

Teamet bygger vidare på en modern detektionsram kallad RT-DETR-r18, som behandlar polypupptäckt ungefär som att översätta en bild till en lista av objekt. De lägger till tre viktiga förbättringar anpassade till endoskopibildernas särskilda egenskaper. Den första förbättringen, en detaljbevarande modul, är utformad för att behålla fina ytstrukturer hos platta eller avlägsna polyper som standardalgoritmer ofta suddar ut när bilder skalas ner för analys. Den andra förbättringen inför en effektiv uppmärksamhetsmekanism: istället för att granska varje pixelpar i en tung beräkning använder den ett slankare sätt att fokusera på de mest informativa områdena, vilket hjälper systemet att ignorera störningar som bubblor, avföring eller reflexer. Den tredje förbättringen blandar information från flera skalor, så att systemet kan hantera både närbilder med hög detalj och mycket små "visuella prickar" som representerar lesioner sedda på avstånd.

Sätta systemet på prov

För att utvärdera metoden tränade och testade forskarna den på 1 611 märkta bilder från två olika källor: standardkoloskopi och trådlös kapselendoskopi. Denna blandning tvingar AI att förlita sig på verkliga lesionsdrag snarare än på egenskaper hos en enskild enhet. De konverterade expertsegmenteringsmasker till täta begränsningsboxar för att ge modellen precisa exempel på var polyperna är. Prestandan bedömdes med vanliga mått såsom precision (att undvika falsklarm), recall (att undvika missar) och genomsnittlig precision, tillsammans med antal bilder som bearbetades per sekund. Över fem oberoende körningar ökade det förbättrade systemet precisionen från 90,7 % till 94,8 % och recall från 84,0 % till 89,9 %, samtidigt som den övergripande detektionskvaliteten förbättrades. Viktigt är att det fortfarande analyserade video med cirka 188 bildrutor per sekund — långt över de 30–60 bildrutor per sekund som är typiska för klinisk endoskopi — så att det kan hålla jämna steg med verkliga procedurer.

Hur det står sig och var det misslyckas

När det jämfördes med populära objektupptäckare från YOLO-familjen och starkare RT-DETR-varianter uppnådde den nya metoden den bästa balansen mellan noggrannhet, täthet i polypkonturer och beräkningskostnad. Den gav renare detektionsresultat, med färre överdimensionerade boxar och färre missade lesioner, särskilt i komplexa scener. Fortfarande är systemet inte perfekt. Det misslyckas ibland i mycket mörka områden eller där lesioner delvis döljs av veck. Det kan också missta starka reflexer eller bubblor för verkliga polyper om de efterliknar en rund, upphöjd form. Författarna föreslår att tillägg av information från närliggande videorutor i framtiden skulle kunna hjälpa till att filtrera bort sådana flyktiga artefakter och ytterligare stabilisera larmen.

Vad detta betyder för patienter och läkare

Ur ett lekmannaperspektiv visar studien att AI redan kan granska endoskopibilder mycket snabbare än en människa samtidigt som den gör färre misstag än nuvarande realtidsdetektorer. Genom att bättre bevara små detaljer, fokusera på meningsfulla regioner och hantera objekt i flera visuella skalor hittar det föreslagna systemet fler potentiella problemområden utan att sinka undersökningen. Även om dessa resultat kommer från noggrant kuraterade bilddatasätt snarare än direkta koloskopier pekar de mot AI-verktyg som skulle kunna minska risken att en viktig polyp förblir oupptäckt. Nästa steg blir storskaliga kliniska prövningar för att avgöra om dessa tekniska förbättringar leder till färre missade cancerfall och tryggare, effektivare screening för patienter.

Citering: 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

Nyckelord: koloskopi, polypdetektion, medicinsk AI, endoskopibilder, realtidsscreening