EndoStyle: Stilübertragung endoskopischer Bilder zur Verbesserung der KI-gestützten Polypendetektion

Einleitung: KI-gestützte Polypendetektionssysteme sind Teil der klinischen Routine, doch ihre Akzeptanz wird durch häufige falsch-positive Befunde beeinträchtigt. Wir haben ein KI-basiertes System namens EndoStyle entwickelt, das den Stil endoskopischer Bilder, einschließlich Bilddetails und Farbtemperatur, von einem Videoprozessor auf andere Videoprozessortypen übertragen kann.

Ziele: Ziel der Studie ist es, die Fähigkeit von EndoStyle zur real anmutenden Stilübertragung zwischen Videoprozessoren zu messen sowie die Leistungssteigerung einer damit trainierten Polypendetektions-KI zu bewerten.

Methodik: Ein auf StarGAN-v2 basierendes Bildtransfermodell wurde mit 239.875 Bildern von 5 verschiedenen Videoprozessoren trainiert und mit Fréchet Inception Distance (FID) validiert. Der Realitätsgrad wurde mit 20 Endoskopierenden aus 14 Zentren getestet, die je 28 Koloskopie-Videosequenzen betrachteten. Anschließend wurden ihnen drei Bilder gezeigt: eines aus derselben Sequenz (Positiv-Kontrollgruppe), eines aus einer anderen Sequenz mit anderem Stil (Negativ-Kontrollgruppe) und eines, das mit EndoStyle angepasst wurde. Sie sollten jenes aus der Originalsequenz identifizieren. Parallel wurden zwei YOLOv11-basierte Polypendetektionssysteme mit öffentlichen Datensätzen (Pentax, Olympus und Fujifilm) trainiert: ein „Baseline“-System ohne Vorverarbeitung und ein „Augmented“-System mit zusätzlich generierten, auf Olympus angepassten Bildern. Beide Modelle wurden bildweise auf 101 vollständigen mit Olympus erfassten Koloskopievideos getestet und hinsichtlich Sensitivität und Spezifität bei der Detektion von 93 Polypen verglichen.

Ergebnisse: EndoStyle erzielte einen FID von 38.5 (FID<50 gilt als ausgezeichnet). Die Endoskopiker wählten Bilder aus der Positiv-, der Negativ- und EndoStyle-Gruppe in 88.47%, 12.29% bzw. 86.12% der Fälle aus. Beide Modelle erkannten alle Polypen in mindestens einem Bild, mit Sensitivitäten von 57.46% (Baseline) bzw. 55.50% (Augmented, p=0.79). Das Augmented-Modell reduzierte jedoch die Rate falsch-positiver Detektionen signifikant um 6.64%.

Schlussfolgerungen: EndoStyle passt visuelle Eigenschaften wie Farbtemperatur und Bildausschnitt von verschiedenen Videoprozessoren erfolgreich an, wobei die Anpassung für Endoskopierende kaum wahrnehmbar ist. Zudem ermöglichen die generierten Bilder eine signifikante Reduktion falsch-positiver Raten in KI-gestützen Polypendetektionssystemen durch gezielte Ergänzung um zielprozessorspezifische Daten.

Informationen zum Einsatz von KI: Verwendung eines großen Sprachmodells zur Grammatikprüfung.