One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training
En palabras de los autores
Abstract Rare gastrointestinal lesions are infrequently encountered in routine endoscopy, limiting data for developing reliable artificial intelligence (AI) models and training novice clinicians. Here we present EndoRare, a one-shot, retraining-free generative framework that synthesizes diverse lesion exemplars from a single reference image. Using language-guided concept disentanglement, EndoRare separates pathognomonic lesion features from non-diagnostic attributes, encoding the former into a learnable prototype embedding while varying the latter to ensure diversity. We validate EndoRare across four rare pathologies: calcifying fibrous tumor, juvenile polyposis syndrome, familial adenomatous polyposis, and Peutz-Jeghers syndrome. Experts judge the synthetic images clinically plausible, and data augmentation significantly improves downstream AI classifiers, increasing true positive rates at low false-positive rates. In an exploratory reader study, exposure to EndoRare-generated cases is associated with improved image-level recognition by novice endoscopists. These findings support the potential use of EndoRare as a data-efficient tool for rare-lesion education and motivate prospective controlled validation.
En palabras simples Resumen con IA
Las lesiones gastrointestinales raras son difíciles de estudiar porque los médicos raramente las ven durante exámenes de rutina. Los autores crearon EndoRare, un sistema que genera imágenes diversas de lesiones raras a partir de solo una foto de ejemplo. EndoRare separa las características clave de la enfermedad de los detalles irrelevantes para crear imágenes variadas pero realistas. Los expertos encontraron las imágenes sintéticas creíbles, y usarlas para entrenar IA mejoró la precisión de detección. Los médicos novatos que vieron casos de EndoRare también mostraron mejor reconocimiento de estas lesiones raras.
Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale.
Apareció: martes, 27 de octubre. Nature Communications. Revista con revisión por pares.