REAL-Colon: 结肠镜检查中开发真实世界的 AI 应用的数据集
内容提要
本文综述结直肠癌内镜AI研究进展，涵盖EndoVis三维重建、COLON息肉数据集、EndoKED知识蒸馏、GastroVision多中心数据集及ColonSegNet等基准方法，并涉及深度估计、息肉追踪与实时导航技术，指出姿态估计和模型泛化仍是待解难题。
延伸解读
数据集与基准的演进
文章梳理了多个结肠镜AI数据集与基准：COLON数据集提供息肉和背景帧标注，GastroVision涵盖24种病理异常，ColonSegNet在Kvasir-SEG上基准测试表现优异。这些资源逐步覆盖从检测到分割的任务，但多中心数据仍稀缺，限制了模型泛化。
知识蒸馏与数据挖掘的突破
EndoKED利用大型语言和视觉模型，自动将原始结肠镜记录转化为像素级标注数据集，并在约100万张图像上验证。其预训练视觉骨干在光学活检中实现专家级表现，且数据高效、可推广，为缓解标注瓶颈提供了新思路。
实时应用的技术挑战
文章指出，实时AI系统整合临床需解决数据可用性、质量和多样性问题。深度估计和息肉追踪技术虽有进展，但姿态估计仍是未解难题。此外，多中心研究显示模型准确性高但泛化性不足，需进一步提升以适应人群差异。
Q&A
结肠镜检查中AI应用面临哪些主要挑战？
主要挑战包括数据可用性、数据质量、缺乏多样性数据集，以及姿态估计和模型泛化问题。
GastroVision数据集有什么特点？
GastroVision是一个多中心开放获取的胃肠内镜数据集，包含来自胃肠道的24种不同病理异常、息肉切除病例和正常发现，提供大规模、精确标记的多样化数据。
EndoKED是如何工作的？
EndoKED是一种用于深度知识提取和蒸馏的数据挖掘范式，可以自动将原始结肠镜记录转化为具有像素级注释的图像数据集，用于训练息肉检测和分割模型。
ColonSegNet在结肠镜图像分析中表现如何？
ColonSegNet在精度、速度和分割任务方面均表现优异，其表现足以证明进行自动化实时息肉鉴别和划线的必要性。
实时导航系统在光学结肠镜检查中有什么作用？
实时导航系统在操作过程中提供定位信息，从而提高了肿块检测率和医生的预测成功率。
COLON数据集包含哪些内容？
COLON数据集包含带标签的息肉帧和背景帧，旨在促进结肠镜检查中息肉检测和分割的计算工具开发。
