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

Binnen het menselijk lichaam is de wand van de dikke darm een complex landschap waar kleine, vaak onzichtbare uitstulpingen genaamd poliepen kunnen ontstaan. Deze uitstulpingen zijn belangrijk omdat ze uiteindelijk kanker kunnen worden, waardoor hun vroege detectie een cruciale stap is bij het redden van levens. De huidige gouden standaard voor het vinden van deze poliepen is een procedure genaamd een colonoscoop, waarbij een arts een flexibele slang met een camera door de dikke darm leidt om naar problemen te zoeken. Dit proces is echter veeleisend. Artsen moeten duizenden beelden scannen, vaak onder moeilijke lichtomstandigheden of terwijl de camera beweegt, en ze kunnen tot een derde van deze groeiingen missen simpelweg omdat ze klein zijn, verborgen zijn of op de achtergrond versmelten. Om te helpen, hebben wetenschappers gebruikgemaakt van kunstmatige intelligentie door computers te leren deze groeiingen te herkennen. Toch kampen de instrumenten die zij tot nu toe hebben gebouwd met een hardnekkig probleem: ze hebben moeite om het volledige plaatje te begrijpen. Ze zijn vaak goed in het zien van fijne details, maar slecht in het begrijpen van de brede context, of andersom, en ze falen wanneer het type camera of de kwaliteit van het beeld verandert.

Een team onderzoekers van universiteiten en ziekenhuizen in Denemarken heeft een nieuwe aanpak ontwikkeld om dit specifieke probleem op te lossen. Ze hebben een computermodel gecreëerd dat ontworpen is om als een brug te fungeren tussen twee verschillende manieren van kijken naar de dikke darm. De ene manier maakt gebruik van een traditionele colonoscoop, die hoogwaardige, heldere beelden biedt. De andere gebruikt een capsule-endoscopie van de dikke darm, waarbij een patiënt een pilvormige camera doorslikt die foto's maakt terwijl deze door het spijsverteringsstelsel reist; deze beelden zijn vaak van lagere resolutie en worden gemaakt onder minder gecontroleerde lichtomstandigheden. De onderzoekers realiseerden zich dat een enkel computermodel dat getraind is op één type beeld, vaak faalt wanneer het met het andere type beeld wordt geconfronteerd. Sterker nog, modellen die getraind zijn op hoogwaardige optische colonoscoopbeelden, slagen er niet in hun prestaties te behouden wanneer ze worden toegepast op de kwalitatief minder goede capsulegegevens, wat een aanzienlijke kloof in de kennisoverdracht tussen deze typen beeldvorming benadrukt. Om dit op te lossen, bouwden ze een systeem dat de sterktes van twee afzonderlijke modellen combineert. Eén model is gespecialiseerd in de heldere, gedetailleerde beelden van de traditionele scoop, terwijl het andere is afgestemd op de variabele beelden van de pilcamera. In plaats van deze twee modellen te dwingen om het eens te worden over één enkel antwoord, kijkt het nieuwe systeem naar elke afzonderlijke pixel van het beeld en stelt een simpele vraag: welke model is meer zelfverzekerd over deze specifieieve plek? Het mengt vervolgens de antwoorden en geeft meer gewicht aan het model dat zekerder is. Dit stelt het systeem in staat om zich direct aan te passen, of het nu kijkt naar een scherp, high-definition beeld of een wazig, laag-resolutie beeld.

De onderzoekers testten dit nieuwe systeem, dat ze TransFuseNet noemden, op een breed scala aan beeldsets, inclusie echte patiëntgegevens van duizenden procedures en door computers gegenereerde synthetische beelden. Ze ontdekten dat het systeem de vorm en grootte van poliepen accuraat kon omlijnen over al deze verschillende omstandigheden heen. In tests met echte beelden uit de capsule-endoscopie identificeerde het systeem de grenzen van de poliepen correct in ongeveer 82 procent van de gevallen, en in tests met standaard colonoscoopbeelden bereikte het bijna 90 procent nauwkeurigheid. Cruciaal was dat het nieuwe gecombineerde systeem de prestatiedalingen die gewoonlijk optreden bij het wisselen tussen deze typen beeldvorming succesvol beperkte. Terwijl individuele modellen die getraind waren op de ene modaliteit aanzienlijk moeite hadden wanneer ze op de andere werden getest, behield het gefuseerde systeem een robuuste nauwkeurigheid door dynamisch de meest betrouwbare voorspellingen voor elke pixel te selecteren. Het systeem leverde ook een maatstaf van zekerheid voor elke voorspelling, waarbij het gebieden markeerde waar het zeker was en gebieden waar het minder zelfverzekerd was, wat artsen kan helpen weten wanneer ze de suggestie van de computer kunnen vertrouwen.

Naast het louter vinden van de poliepen, biedt het systeem een manier om ze te meten. Door de pixels te tellen die de gedetecteerde groei vormen, kan de software de relatieve grootte van de poliep schatten, een belangrijke factor bij het bepalen of deze gevaarlijk is. De onderzoekers toonden aan dat hun model beelden snel genoeg kan verwerken om een live videostream bij te houden, door ongeveer 46 frames per seconde te analyseren, wat sneller is dan de snelheid waarmee artsen video's doorgaans beoordelen. Deze snelheid suggereert dat het hulpmiddel tijdens een procedure in realtime gebruikt kan worden, als een tweede paar ogen dat nooit moe wordt. De studie bevestigt dat door lokale details te combineren met een breder begrip van het beeld, en door de computer te laten beslissen welke bron van informatie het op elk punt moet vertrouwen, het mogelijk is om een betrouwbaarder instrument te creëren voor het opsporen van vroege tekenen van kanker. Hoewel het systeem geen vervanging is voor een arts, biedt het een robuuste methode om het aantal gemiste poliepen te verminderen, wat potentieel kan leiden tot een vroegere behandeling en betere resultaten voor patiënten die met colorectale kanker te maken krijgen.