A Pixel-based Confidence Weighted Transfusion model for Colonoscopy and Colon Capsule Endoscopy image-based Polyp Segmentation

All'interno del corpo umano, il rivestimento del intestino crasso è un paesaggio complesso dove possono formarsi piccole escrescenze, spesso invisibili, chiamate polipi. Queste escrescenze sono significative perché possono in seguito trasformarsi in cancro, rendendo il loro rilevamento precoce un passaggio critico per salvare vite umane. L'attuale standard di riferimento per trovare questi polipi è una procedura chiamata colonscopia, in cui un medico guida un tubo flessibile dotato di una telecamera attraverso il colon per cercare problemi. Tuttavia, questo processo è impegnativo. I medici devono scansionare migliaia di immagini, spesso sotto un'illuminazione difficile o con la telecamera in movimento, e possono perdere fino a un terzo di queste escrescenze semplicemente perché sono piccole, nascoste o si confondono con lo sfondo. Per aiutare, gli scienziati si sono rivolti all'intelligenza artificiale, insegnando ai computer a riconoscere queste escrescenze. Eppure, gli strumenti che hanno costruito finora affrontano un problema ostinato: faticano a comprendere l'immagine completa. Sono spesso bravi a vedere i dettagli fini ma poco capaci di comprendere il contesto ampio, o viceversa, e falliscono quando il tipo di telecamera o la qualità dell'immagine cambiano.

Un team di ricercatori provenienti da università e ospedali della Danimarca ha sviluppato un nuovo approccio per risolvere questo problema specifico. Hanno creato un modello informatico progettato per agire come un ponte tra due diversi modi di osservare il colon. Un modo utilizza una colonscopia tradizionale, che fornisce immagini ad alta risoluzione e nitide; l'altro utilizza un'endoscopia a capsula colica, in cui il paziente inghiotte una telecamera grande quanto una pillola che scatta foto mentre viaggia attraverso l'apparato digerente; queste immagini sono spesso a risoluzione inferiore e scattate con un'illuminazione meno controllata. I ricercatori si sono resi conto che un singolo modello informatico addestrato su un tipo di immagine spesso fallisce quando gli viene mostrato l'altro. Infatti, i modelli addestrati su immagini di colonscopia ottica di alta qualità perdono le loro prestazioni quando applicati ai dati di qualità inferiore della capsula, evidenziando un significativo divario nel trasferimento di conoscenza tra questi tipi di imaging. Per risolvere la questione, hanno costruito un sistema che combina i punti di forza di due modelli separati. Un modello è specializzato per le immagini chiare e dettagliate dello strumento tradizionale, mentre l'altro è tarato per le immagini più variabili della telecamera a pillola. Invece di costringere questi due modelli a concordare su una singola risposta, il nuovo sistema esamina ogni singolo pixel dell'immagine e pone una domanda semplice: quale modello è più fiducioso riguardo a questo specifico punto? Esso poi fonde le risposte, dando più peso al modello che è più sicuro. Ciò consente al sistema di adattarsi istantaneamente, sia che stia guardando un'immagine nitida e ad alta definizione, sia che stia guardando un'immagine sfocata e a bassa risoluzione.

I ricercatori hanno testato questo nuovo sistema, che hanno chiamato TransFuseNet, su una vasta gamma di set di immagini, inclusi dati reali di pazienti provenienti da migliaia di procedure e immagini sintetiche create dai computer. Hanno scoperto che il sistema può delineare accuratamente la forma e la dimensione dei polipi in tutte queste diverse condizioni. Nei test utilizzando immagini reali dalla capsula colica, il sistema ha identificato correttamente i confini dei polipi in circa l'82 percento dei casi, e nei test con immagini di colonscopia standard, ha raggiunto quasi il 90 percento di precisione. Fondamentalmente, il nuovo sistema combinato ha mitigato con successo i cali di prestazioni tipicamente osservati quando si passa da un tipo di imaging all'altro. Mentre i modelli individuali addestrati su una modalità faticavano significamente quando testati sull'altra, il sistema fuso ha mantenuto una robusta accuratezza selezionando dinamicamente le previsioni più affidabili per ogni pixel. Il sistema ha anche fornito una misura di certezza per ogni previsione, evidenziando le aree in cui era sicuro e quelle in cui era meno fiducioso, il che potrebbe aiutare i medici a sapere quando fidarsi del suggerimento del computer.

Oltre a trovare i polipi, il sistema offre un modo per misurarli. Contando i pixel che compongono la crescita rilevata, il software può stimare la dimensione relativa del polipo, un fattore chiave per determinare se è pericoloso. I ricercatori hanno dimostrato che il loro modello può elaborare le immagini abbastanza velocemente da tenere il passo con un feed video in tempo reale, analizzando circa 46 fotogrammi al secondo, una velocità superiore a quella con cui i medici solitamente esaminano i video. Questa velocità suggerisce che lo strumento potrebbe essere utilizzato in tempo reale durante una procedura, agendo come un secondo paio di occhi che non si stanca mai. Lo studio conferma che combinando i dettagli locali con una comprensione più ampia dell'immagine, e lasciando che il computer decida a quale fonte di informazione fidarsi in ogni singolo punto, è possibile creare uno strumento più affidabile per individuare i primi segni di cancro. Sebbene il sistema non sia un sostituto del medico, offre un metodo robusto per ridurre il numero di polipi mancati, portando potenzialmente a un trattamento più precoce e a migliori esiti per i pazienti affetti da cancro colorettale.