Detección de ictericia neonatal mediante un modelo de aprendizaje profundo basado en vision transformer

Por qué esto importa para los padres primerizos

La mayoría de los recién nacidos desarrollan cierto tono amarillento en la piel, conocido como ictericia. Normalmente desaparece por sí sola, pero en algunos bebés los niveles altos del pigmento bilirrubina pueden dañar el cerebro si no se detectan a tiempo. Hoy en día, comprobar la bilirrubina suele requerir una punción o un aparato caro junto a la cama. Este estudio explora si un smartphone ordinario, combinado con un tipo nuevo de inteligencia artificial, podría ofrecer una forma no invasiva y de bajo coste para identificar pronto la ictericia de riesgo, especialmente en hospitales y clínicas que carecen de equipos avanzados.

El riesgo oculto tras un tinte amarillo común

La ictericia afecta a más de la mitad de los recién nacidos a término y aún más a los prematuros. Se manifiesta como un color amarillo en la piel y en la parte blanca del ojo cuando la bilirrubina se acumula en la sangre. Los casos leves son inofensivos, pero los casos graves o no detectados pueden provocar una forma de daño cerebral llamada kernicterus, discapacidad a largo plazo o incluso la muerte. La atención estándar se basa en la inspección visual seguida de análisis de sangre o medidores especializados aplicados sobre la piel. Estos métodos funcionan, pero son subjetivos, invasivos, lentos o costosos —barreras especialmente graves en salas de recién nacidos abarrotadas o con escasos recursos donde hay que cribar a muchos bebés con rapidez.

Convertir la cámara del teléfono en una herramienta de salud

Los investigadores se propusieron construir una canalización de cribado práctica usando solo la cámara de un smartphone y un modelo moderno de IA. Reclutaron a 500 recién nacidos en un hospital infantil de Teherán, Irán, fotografiando tres regiones del cuerpo —la cara, el abdomen y la parte interna del antebrazo— con un iPhone montado en un trípode en una sala con iluminación estrictamente controlada. En cada foto se colocó una carta de color con muchos cuadrados coloreados junto a la piel del bebé para estandarizar el color entre las imágenes. Casi al mismo tiempo, a cada bebé se le realizó un análisis de sangre rutinario para medir la bilirrubina; los médicos usaron esos valores para etiquetar a cada bebé como ictérico o no, creando una referencia fiable para entrenar y evaluar los algoritmos.

Limpiar y centrar las imágenes

Antes de que cualquier modelo de IA viera las imágenes, el equipo sometió las fotos a un cuidadoso proceso de limpieza. Se descartaron tomas de baja calidad con desenfoque o encuadre deficiente, y las fotos restantes se guardaron en un formato de alta fidelidad para preservar diferencias sutiles de color. Rutinas informáticas ajustaron las imágenes usando la carta de color como referencia, aumentaron el contraste local para hacer más visibles pequeños cambios en el tono de la piel y convirtieron los colores a representaciones que ayudan a separar la piel del fondo. Un paso semiautomático aisló parches de piel lisos y uniformemente iluminados y los recortó en cuadrados estandarizados. Para enseñar a los modelos a manejar la variación natural, los investigadores también crearon versiones modificadas de algunas imágenes de entrenamiento —ligeramente rotadas, volteadas o aclaradas— sin alterar su significado médico.

Cómo se compara la nueva IA con enfoques anteriores

El núcleo del estudio es un modelo llamado vision transformer, adaptado a partir de herramientas diseñadas originalmente para comprender patrones complejos en imágenes. A diferencia de las redes neuronales convolucionales tradicionales, que se fijan principalmente en vecindarios pequeños de píxeles, el transformer aprende a prestar atención tanto a detalles mínimos como a patrones más amplios en la imagen. Los autores entrenaron este modelo, llamado T2T‑ViT, para decidir si cada recorte de piel provenía de un bebé ictérico o no ictérico. Compararon directamente su rendimiento con tres métodos establecidos: una red profunda popular conocida como ResNet‑50 y dos técnicas clásicas de aprendizaje automático, máquinas de vectores de soporte y k‑vecinos más cercanos, que se basaban en estadísticas simples de color en lugar de las imágenes en bruto. En un conjunto de prueba independiente, el transformer clasificó correctamente prácticamente todos los casos, alcanzando alrededor del 99% de precisión, sensibilidad y especificidad. Superó claramente a los otros métodos, que mal clasificaron a más bebés y tuvieron especial dificultad con casos límite de ictericia.

Promesas y desafíos en el mundo real

Estos resultados sugieren que, en condiciones controladas, un smartphone más un transformer bien entrenado pueden igualar o superar herramientas mucho más caras para identificar a los recién nacidos que pueden necesitar un seguimiento o tratamiento más estrecho. El sistema es lo bastante ligero para ejecutarse en hardware de consumo y usa imágenes que cualquier enfermero o técnico capacitado podría capturar, lo que lo hace atractivo para clínicas concurridas o regiones con recursos limitados. Aun así, los autores subrayan advertencias importantes: todos los datos procedían de un único hospital, de un único modelo de teléfono y mayoritariamente de lactantes iraníes, y los expertos refinaron manualmente qué áreas de piel analizar. El uso en el mundo real requerirá pruebas en muchos hospitales, tipos de teléfono, condiciones de iluminación y tonos de piel, así como la automatización de más pasos de selección de imagen.

Qué podría significar para la atención neonatal

En términos sencillos, el estudio muestra que la cámara de un teléfono, guiada por una IA avanzada sensible a desplazamientos de color muy sutiles, puede casi siempre identificar qué recién nacidos presentan ictericia clínicamente relevante. Si trabajos futuros confirman estos hallazgos en entornos más diversos, este enfoque podría convertirse en una «primera revisión» rápida e indolora que ayude a decidir qué bebés requieren análisis de sangre o tratamiento y cuáles pueden irse a casa con seguridad. Para las familias y los profesionales sanitarios, eso podría significar menos punciones, menores costes y, lo más importante, protección temprana contra una forma de lesión cerebral prevenible.

Cita: 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

Palabras clave: ictericia neonatal, cribado con smartphone, IA en imagen médica, vision transformer, salud del recién nacido