Stilöverföring av endoskopiska bilder i mag-tarmkanalen med EndoStyle för att förbättra artificiella intelligensmodeller

Skarpare datorsupport vid kontroll för tjocktarmscancer

Koloskopier räddar liv genom att hitta och avlägsna små tillväxter, så kallade polyper, innan de utvecklas till cancer. Många sjukhus använder numera artificiell intelligens (AI) för att hjälpa läkare att upptäcka dessa små lesioner på videoskärmen. Men AI-verktyg halkar ofta efter när de flyttas från ett sjukhus till ett annat, eftersom bilderna ser något olika ut beroende på kamerasystem. Denna studie presenterar en ny metod, kallad EndoStyle, som omformar koloskopibilder så att AI-system kan prestera mer konsekvent över olika maskiner.

Varför endoskopibilder inte ser likadana ut överallt

En koloskopi kan se likadan ut för en patient, men bakom kulisserna använder varje klinik sin egen videoprocessor och kamera. Dessa enheter skiljer sig åt i färgton, ljusstyrka, kontrast, skärpa och till och med i storlek och position för den runda bilden på skärmen. För ett AI-system som tränats på ett sjukhus kan denna "domänförskjutning" vara chockartad: de nya bilderna stämmer inte längre överens med det som systemet lärt sig, och noggrannheten kan sjunka. Dagens standardåtgärder—som att spegla, rotera eller lätt ljusa upp bilder under träning—återskapar inte det distinkta utseendet hos olika videosystem. Som följd är kommersiella AI-assistenter ofta anpassade till specifik hårdvara och kanske inte fungerar lika bra på andra ställen.

Lära bilder att matcha den lokala kamerans stil

Forskarna utformade EndoStyle för att fungera som en digital översättare mellan endossystem. Den tar en koloskopiram och en målstil (till exempel utseendet hos en specifik videoprocessor) och producerar en ny bild som bevarar anatomin och eventuella polyper men ändrar det övergripande utseendet för att matcha målenheten. Under huven kombinerar EndoStyle ett kraftfullt nätverk för bildöversättning med en superupplösningsmodell som förfinar den slutliga bilden. Särskilda skyddsåtgärder säkerställer att viktiga detaljer—såsom tarmslyngor och subtila platta polyper—bevaras istället för att blekas ut eller uppfinnas av misstag.

Kontrollera om det fejkade ser verkligt ut

För att pröva om EndoStyles syntetiska bilder var trovärdiga jämförde teamet först dessa med verkliga koloskopibilder med hjälp av datorvisionsmått som fångar visuellt realism och perceptuell likhet. Över fem olika videoprocessorer och hundratusentals ramar matchade de konverterade bilderna väl de verkliga både i helhetsintryck och detaljerad textur. Tre oberoende AI-modeller, tränade för att tolka medicinska bilder, bedömde också att de nya bilderna samtidigt var lika de ursprungliga bilderna och hade målenhetens stil. Därefter deltog 22 erfarna endoskopister från 16 centra i ett blindat experiment. De tittade på korta koloskopivideor och fick se stillbilder, några verkliga och några skapade av EndoStyle. Läkare ombads ange vilka bilder som kom från samma undersökning. De valde EndoStyle-bilder nästan lika ofta som verkliga ramar och mycket oftare än uppenbara felmatchningar, vilket tyder på att de syntetiska bilderna klarade ett verklighetsbaserat "luktprov".

Hjälpa AI att hitta rätt polyper och ignorera brus

Författarna undersökte sedan om dessa realistiska, stilmatchade bilder faktiskt kunde förbättra AI:s polypdetektion. De tränade flera detektionssystem på en blandning av offentliga koloskopibilder och EndoStyle-genererade ramar anpassade för att matcha två specifika Olympus-processorer som användes i testvideorna. De studerade också ett svårare fall där ursprunglig träningsdata kom från ett annat märke (Fujifilm) som EndoStyle aldrig sett under sin egen träning. I båda situationerna gjorde tillskottet av syntetiska bilder anpassade till målenheten AI-modellerna mer selektiva: falska larm minskade med ungefär en fjärdedel till över 40 procent, beroende på upplägg, medan känsligheten—hur ofta verkliga polyper upptäcktes—endast sjönk marginellt. Viktigt är att de syntetiska bilderna inte verkade skapa falska polyper, och de flesta av de få missade lesionerna var redan svåra för både baslinje-AI och kommersiella verktyg.

Vad detta kan betyda för patienter och kliniker

Genom att visa att realistiska, processorspecifika syntetiska bilder kan skapas och användas säkert för att träna detektionsalgoritmer erbjuder detta arbete ett praktiskt sätt att göra koloskopi-AI mer portabelt och pålitligt. Istället för att samla in och märka stora nya datamängder varje gång en klinik uppgraderar eller byter utrustning, skulle utvecklare kunna anpassa befintliga bildsamlingar till den nya enhetens stil med EndoStyle och omskola sina system med färre extra steg. Den omedelbara vinsten är AI som ger färre falska larm samtidigt som de flesta viktiga polyper fortfarande fångas, vilket gör verktygen mindre störande och mer pålitliga för endoskopister. Över tid kan sådana stilöverföringsmetoder bidra till att standardisera AI-prestanda mellan sjukhus och stödja både bättre cancerförebyggande och mer realistiska träningssimulatorer för framtida läkare.

Citering: 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

Nyckelord: koloskopi, polypdetektion, medicinsk bildbehandling AI, stilöverföring, domänförskjutning