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

Dentro do corpo humano, o revestimento do intestino grosso é uma paisagem complexa onde pequenos crescimentos, muitas vezes invisíveis, chamados pólipos, podem se formar. Esses crescimentos são significativos porque podem eventualmente se transformar em câncer, tornando sua detecção precoce um passo crítico para salvar vidas. O padrão ouro atual para encontrar esses pólipos é um procedimento chamado colonoscopia, no qual um médico guia um tubo flexível com uma câmera através do cólon para procurar problemas. No entanto, esse processo é exigente. Os médicos devem escanear milhares de imagens, frequentemente sob iluminação difícil ou com a câmera em movimento, e podem perder até um terço desses crescimentos simplesmente porque são pequenos, estão escondidos ou se misturam ao fundo. Para ajudar, cientistas recorreram à inteligência artificial, ensinando computadores a reconhecer esses crescimentos. No entanto, as ferramentas que construíram até agora enfrentam um problema persistente: elas têm dificuldade em entender o quadro completo. Elas costumam ser boas em ver detalhes finos, mas ruins em entender o contexto amplo, ou vice-versa, e falham quando o tipo de câmera ou a qualidade da imagem mudam.

Uma equipe de pesquisadores de universidades e hospitais da Dinamarca desenvolveu uma nova abordagem para resolver este problema específico. Eles criaram um modelo de computador projetado para agir como uma ponte entre duas formas diferentes de visualizar o cólon. Uma forma utiliza uma colonoscopia tradicional, que fornece imagens de alta resolução e nítidas. A outra utiliza uma endoscopia de cápsula colorretal, onde o paciente engole uma câmera do tamanho de uma pílula que tira fotos enquanto viaja pelo sistema digestivo; essas imagens são frequentemente de menor resolução e tiradas sob iluminação menos controlada. Os pesquisadores perceberam que um único modelo de computador treinado em um tipo de imagem falha ao ser apresentado ao outro. De fato, modelos treinados em imagens de colonoscopia óptica de alta qualidade falham em manter seu desempenho quando aplicados aos dados de menor qualidade da cápsula, destacando uma lacuna significativa na transferência de conhecimento entre esses tipos de imagem. Para corrigir isso, eles construíram um sistema que combina as forças de dois modelos distintos. Um modelo é especializado nas imagens claras e detalhadas do exame tradicional, enquanto o outro é ajustado para as imagens mais variáveis da câmera em pílula. Em vez de forçar esses dois modelos a concordarem em uma única resposta, o novo sistema analisa cada pixel da imagem e faz uma pergunta simples: qual modelo tem mais confiança sobre este ponto específico? Ele então mistura as respostas, dando mais peso ao modelo que está mais seguro. Isso permite que o sistema se adapte instantaneamente, esteja ele olhando para uma imagem nítida de alta definição ou para uma imagem borrada de baixa resolução.

Os pesquisadores testaram este novo sistema, que nomearam TransFuseNet, em uma ampla variedade de conjuntos de imagens, incluindo dados reais de pacientes de milhares de procedimentos e imagens sintéticas criadas por computadores. Eles descobriram que o sistema conseguia delinear com precisão a forma e o tamanho dos pólipos em todas essas diferentes condições. Em testes usando imagens do mundo real de cápsulas colorretais, o sistema identificou corretamente os limites dos pólipos em cerca de 82 por cento dos casos e, em testes com imagens de colonoscopia padrão, atingiu quase 90 por cento de precisão. Crucialmente, o novo sistema combinado mitigou com sucesso as quedas de desempenho tipicamente observadas ao alternar entre esses tipos de imagem. Enquanto os modelos individuais treinados em uma modalidade lutavam significativamente quando testados na outra, o sistema fundido manteve uma precisão robusta ao selecionar dinamicamente as previsões mais confiáveis para cada pixel. O sistema também forneceu uma medida de certeza para cada previsão, destacando áreas onde estava seguro e áreas onde era menos confiante, o que pode ajudar os médicos a saberem quando confiar na sugestão do computador.

Além de apenas encontrar os pólipos, o sistema oferece uma maneira de medi-los. Ao contar os pixels que compõem o crescimento detectado, o software pode estimar o tamanho relativo do pólipo, um fator fundamental para determinar se ele é perigoso. Os pesquisadores mostraram que seu modelo consegue processar imagens rápido o suficiente para acompanhar um feed de vídeo ao vivo, analisando cerca de 46 quadros por segundo, o que é mais rápido do que a velocidade com que os médicos normalmente revisam vídeos. Essa velocidade sugere que a ferramenta poderia ser usada em tempo real durante um procedimento, atuando como um par de olhos secundário que nunca se cansa. O estudo confirma que, ao combinar detalhes locais com uma compreensão mais ampla da imagem, e ao deixar o computador decidir em qual fonte de informação confiar em cada ponto, é possível criar uma ferramenta mais confiável para detectar sinais precoces de câncer. Embora o sistema não seja um substituto para um médico, ele oferece um método robusto para reduzir o número de pólipos perdidos, potencialmente levando a um tratamento mais precoce e melhores resultados para pacientes enfrentando o câncer colorretal.