Uma imagem rara treina IA e médicos com novos exemplos de endoscopia
O sistema EndoRare parte de uma única referência, separa traços diagnósticos do restante aspeto e gera variações para quatro doenças pouco frequentes.
O EndoRare gera exemplos de lesões gastrointestinais raras a partir de uma única imagem de referência e sem voltar a treinar o modelo de base. Num estudo publicado na Nature Communications a 25 de outubro, as imagens sintéticas melhoraram classificadores automáticos e o desempenho de endoscopistas com pouca experiência.
Preservar o sinal clínico e variar o resto
O sistema usa linguagem para separar características consideradas patognomónicas — as que ajudam a identificar a lesão — de atributos como enquadramento, iluminação e aparência da mucosa. Codifica o primeiro grupo num protótipo e altera o segundo para produzir diversidade. O objetivo é evitar que uma doença rara fique representada por cópias quase idênticas ou por imagens que mudam precisamente os sinais necessários ao diagnóstico.
Quatro patologias e dois tipos de avaliação
A validação abrangeu tumor fibroso calcificante, síndrome de polipose juvenil, polipose adenomatosa familiar e síndrome de Peutz–Jeghers. Especialistas avaliaram a plausibilidade clínica das imagens. Quando usadas para aumentar os dados de treino, elevaram a taxa de verdadeiros positivos dos classificadores em regimes de poucos falsos positivos. Num estudo cego, principiantes expostos aos casos sintéticos aumentaram a revocação em 0,400 e a precisão em 0,267.
Onde a síntese pode enganar
Plausibilidade visual não garante que a distribuição dos casos gerados represente a diversidade real de doentes, equipamentos e centros. O modelo pode conservar enviesamentos da única referência ou criar correlações artificiais que um classificador aprenda como atalhos. A contribuição demonstrada é um método eficiente para treino e aumento de dados em quatro doenças. A utilização diagnóstica exige validação prospetiva com imagens externas e revisão de falhas por especialistas.