Erkennung von Neugeborenen-Gelbsucht mithilfe eines auf Vision Transformer basierenden Deep-Learning-Modells

Warum das für frischgebackene Eltern wichtig ist

Die meisten Neugeborenen entwickeln eine gewisse Gelbfärbung der Haut, die als Gelbsucht bezeichnet wird. Meist klingt sie von selbst ab, doch bei einigen Babys können hohe Werte des Pigments Bilirubin das Gehirn schädigen, wenn sie nicht rechtzeitig entdeckt werden. Heute erfordert die Überprüfung des Bilirubinspiegels oft einen Nadelstich oder ein teures mobiles Messgerät. Diese Studie untersucht, ob ein gewöhnliches Smartphone in Kombination mit einer neuen Art künstlicher Intelligenz eine kostengünstige, nichtinvasive Möglichkeit bieten könnte, riskante Gelbsucht frühzeitig zu erkennen — besonders in Krankenhäusern und Kliniken, denen fortgeschrittene Geräte fehlen.

Das verborgene Risiko hinter einer häufigen gelben Tönung

Gelbsucht betrifft weit über die Hälfte aller termingerecht geborenen Neugeborenen und noch mehr Frühgeborene. Sie zeigt sich als gelbe Verfärbung der Haut und der Augenweiß, wenn Bilirubin im Blut ansteigt. Leichte Fälle sind harmlos, aber schwere oder übersehene Fälle können zu einer Form von Hirnschädigung namens Kernikterus, zu bleibenden Behinderungen oder sogar zum Tod führen. Die Standardversorgung stützt sich auf visuelle Untersuchung, gefolgt von Bluttests oder spezialisierten Messgeräten, die auf die Haut gedrückt werden. Diese Methoden funktionieren, sind aber subjektiv, invasiv, langsam oder teuer — Hürden, die in überfüllten oder ressourcenarmen Säuglingsstationen, in denen viele Babys schnell untersucht werden müssen, besonders gravierend sind.

Eine Handykamera als Gesundheitsinstrument

Die Forschenden wollten eine praktikable Screening-Pipeline entwickeln, die nur eine Handykamera und ein modernes KI-Modell nutzt. Sie rekrutierten 500 Neugeborene in einem Kinderkrankenhaus in Teheran, Iran, und fotografierten drei Körperregionen — Gesicht, Bauch und innere Unterarmseite — mit einem iPhone auf einem Stativ in einem Raum mit strikt kontrollierter Beleuchtung. In jedem Bild wurde eine Farbkarte mit vielen Farbfeldern neben der Haut des Babys platziert, um die Farben über die Aufnahmen hinweg zu standardisieren. Fast zeitgleich erhielt jedes Baby einen routinemäßigen Bluttest zur Messung des Bilirubins; diese Werte dienten den Ärzten zur Klassifikation jedes Babys als gelbsüchtig oder nicht und schufen so eine vertrauenswürdige Referenz für Training und Test der Algorithmen.

Bereinigung und Fokussierung der Bilder

Bevor ein KI-Modell die Bilder sah, durchlief das Team einen sorgfältigen Bereinigungsprozess. Aufnahmen mit schlechter Qualität, etwa durch Unschärfe oder ungünstige Bildausschnitte, wurden verworfen, und die verbleibenden Fotos wurden in einem hochauflösenden Format gespeichert, um feine Farbunterschiede zu erhalten. Computerroutinen passten die Bilder anhand der Farbkarte an, verstärkten lokalen Kontrast, um kleine Hauttonveränderungen besser sichtbar zu machen, und wandelten Farben in Darstellungsformen um, die Haut und Hintergrund besser trennen. Ein halbautomatischer Schritt isolierte gleichmäßig beleuchtete, glatte Hautpartien und schnitt sie zu standardisierten quadratischen Ausschnitten zurecht. Um die Modelle auf natürliche Variationen vorzubereiten, erzeugten die Forschenden zudem modifizierte Versionen einiger Trainingsbilder — leicht gedreht, gespiegelt oder aufgehellt — ohne deren medizinische Aussage zu verändern.

Wie sich die neue KI gegen ältere Ansätze schlägt

Kernstück der Studie ist ein Modell namens Vision Transformer, adaptiert aus Werkzeugen, die ursprünglich entwickelt wurden, um komplexe Muster in Bildern zu verstehen. Anders als herkömmliche Convolutional Neural Networks, die überwiegend lokale Pixelnachbarschaften betrachten, lernt der Transformer, sowohl winzige Details als auch größere Muster im Bild zu gewichten. Die Autorinnen und Autoren trainierten dieses Modell, genannt T2T‑ViT, darauf zu entscheiden, ob ein Hautausschnitt von einem gelbsüchtigen oder nicht gelbsüchtigen Baby stammt. Sie verglichen seine Leistung direkt mit drei etablierten Methoden: einem populären tiefen Netzwerk namens ResNet‑50 und zwei klassischen maschinellen Lernverfahren, Support Vector Machines und k‑Nearest Neighbors, die auf einfachen Farbstatistiken statt auf Rohbildern beruhten. In einem unabhängigen Testset klassifizierte der Transformer nahezu jeden Fall korrekt und erreichte rund 99 % bei Genauigkeit, Sensitivität und Spezifität. Er übertraf deutlich die anderen Methoden, die mehr Babys falsch einstuften und besonders bei grenzwertiger Gelbsucht Probleme hatten.

Versprechen und Herausforderungen in der Praxis

Diese Ergebnisse deuten darauf hin, dass unter kontrollierten Bedingungen ein Smartphone zusammen mit einem gut trainierten Transformer-Modell weit teurere Geräte in der Identifikation von Neugeborenen, die engmaschigere Überwachung oder Behandlung benötigen, erreichen oder übertreffen kann. Das System ist schlank genug, um auf handelsüblicher Hardware zu laufen, und nutzt Bilder, die jede geschulte Krankenschwester oder Technikerin aufnehmen könnte — ein Vorteil für belebte Kliniken oder Regionen mit begrenzten Ressourcen. Die Autorinnen und Autoren betonen jedoch wichtige Vorbehalte: Alle Daten stammen aus einem einzigen Krankenhaus, einem Telefonmodell und überwiegend iranischen Säuglingen, und Expertinnen und Experten verfeinerten manuell, welche Hautbereiche analysiert wurden. Für den realen Einsatz sind Tests über viele Krankenhäuser, Telefonmodelle, Lichtbedingungen und Hauttöne hinweg sowie eine stärkere Automatisierung der Bildauswahl erforderlich.

Was das für die Neugeborenenversorgung bedeuten könnte

Kurz gesagt zeigt die Studie, dass eine Handykamera, gesteuert von einer fortschrittlichen KI, die auf sehr feine Farbverschiebungen reagiert, fast immer erkennen kann, welche Neugeborenen klinisch relevante Gelbsucht haben. Bestätigen künftige Arbeiten diese Befunde in vielfältigeren Umgebungen, könnte dieser Ansatz zu einer schnellen, schmerzfreien "Erstkontrolle" werden, die hilft zu entscheiden, welche Babys Bluttests oder Behandlung benötigen und welche sicher nach Hause entlassen werden können. Für Familien und Gesundheitsfachkräfte würde das weniger Nadelstiche, niedrigere Kosten und vor allem einen frühzeitigeren Schutz vor einer vermeidbaren Form von Hirnschädigung bedeuten.

Zitation: Lotfi, M., Rabiee, M., Nazarpak, M.H. et al. Neonatal jaundice detection using a vision transformer-based deep learning model. Sci Rep 16, 9243 (2026). https://doi.org/10.1038/s41598-026-40515-5

Schlüsselwörter: Neugeborenen-Gelbsucht, Smartphone-Screening, medizinische Bildgebung KI, Vision Transformer, Gesundheit von Neugeborenen