Détection de la jaunisse néonatale à l’aide d’un modèle d’apprentissage profond basé sur un vision transformer

Pourquoi cela compte pour les nouveaux parents

La plupart des nouveau‑nés présentent un certain jaunissement de la peau, appelé jaunisse. En général il disparaît spontanément, mais chez certains bébés des taux élevés d’un pigment nommé bilirubine peuvent endommager le cerveau si l’on n’intervient pas à temps. Aujourd’hui, la vérification de la bilirubine nécessite souvent une ponction veineuse ou un appareil coûteux au chevet. Cette étude examine si un smartphone ordinaire, associé à un nouveau type d’intelligence artificielle, pourrait offrir une méthode peu coûteuse et non invasive pour repérer précocement les jaunisses à risque — en particulier dans les hôpitaux et cliniques dépourvus d’équipements avancés.

Le risque caché derrière une teinte jaune commune

La jaunisse touche bien plus de la moitié des nouveau‑nés à terme et encore davantage des prématurés. Elle se manifeste par une coloration jaune de la peau et du blanc des yeux lorsque la bilirubine s’accumule dans le sang. Les cas bénins sont sans conséquence, mais les formes sévères ou non détectées peuvent conduire à une atteinte cérébrale appelée kernictère, à des handicaps durables, voire au décès. Les soins standards reposent sur l’inspection visuelle suivie d’analyses sanguines ou de dispositifs spécialisés appliqués sur la peau. Ces méthodes fonctionnent, mais elles sont subjectives, invasives, lentes ou coûteuses — des obstacles particulièrement graves dans les maternités surchargées ou à ressources limitées où de nombreux bébés doivent être dépistés rapidement.

Transformer l’appareil photo d’un téléphone en outil de santé

Les chercheurs se sont donné pour objectif de construire une chaîne de dépistage pratique utilisant uniquement l’appareil photo d’un smartphone et un modèle d’IA moderne. Ils ont enrôlé 500 nouveau‑nés dans un hôpital pour enfants à Téhéran, en Iran, en photographiant trois régions du corps — le visage, l’abdomen et l’avant‑bras intérieur — avec un iPhone monté sur trépied dans une salle à éclairage strictement contrôlé. Une carte de couleur comportant de nombreux carrés colorés était placée à côté de la peau du bébé sur chaque photo pour standardiser les couleurs. À peu près au même moment, chaque bébé a subi une prise de sang de routine pour mesurer la bilirubine ; les médecins ont utilisé ces valeurs pour étiqueter chaque bébé comme jaunisseux ou non, créant une référence fiable pour l’entraînement et le test des algorithmes.

Nettoyer et focaliser les images

Avant toute exposition à un modèle d’IA, l’équipe a soumis les images à un processus de nettoyage minutieux. Les prises de faible qualité, floues ou mal cadrées ont été écartées, et les photos restantes ont été conservées en format haute fidélité pour préserver les différences subtiles de couleur. Des routines informatiques ont ensuite ajusté les images en utilisant la carte de couleur comme référence, augmenté le contraste local pour rendre les variations de teint plus visibles et converti les couleurs dans des représentations facilitant la séparation peau‑arrière‑plan. Une étape semi‑automatique a isolé des zones de peau lisses et uniformément éclairées et les a recadrées en carrés standardisés. Pour apprendre aux modèles à gérer la variation naturelle, les chercheurs ont aussi créé des versions modifiées de certaines images d’entraînement — légèrement pivotées, retournées ou éclaircies — sans en altérer la signification médicale.

Comment la nouvelle IA se compare aux approches plus anciennes

Le cœur de l’étude est un modèle appelé vision transformer, adapté d’outils conçus à l’origine pour comprendre des motifs complexes dans les images. Contrairement aux réseaux de neurones convolutionnels traditionnels, qui observent principalement de petits voisinages de pixels, le transformer apprend à porter attention à la fois aux détails infimes et aux structures globales de l’image. Les auteurs ont entraîné ce modèle, nommé T2T‑ViT, à décider si chaque recadrage de peau provenait d’un bébé jaunisseux ou non. Ils ont comparé directement ses performances à trois méthodes établies : un réseau profond populaire connu sous le nom de ResNet‑50 et deux techniques classiques d’apprentissage automatique, les machines à vecteurs de support et les k‑plus proches voisins, qui s’appuyaient sur de simples statistiques de couleur plutôt que sur les images brutes. Sur un jeu de test indépendant, le transformer a correctement classé pratiquement tous les cas, atteignant environ 99 % d’exactitude, de sensibilité et de spécificité. Il a clairement surperformé les autres méthodes, qui ont mal classé davantage de bébés et ont particulièrement peiné avec les jaunisses limites.

Promesses et défis en conditions réelles

Ces résultats suggèrent que, dans des conditions contrôlées, un smartphone associé à un transformer bien entraîné peut égaler ou surpasser des outils bien plus coûteux pour identifier les nouveau‑nés nécessitant une surveillance ou un traitement rapproché. Le système est suffisamment léger pour fonctionner sur du matériel grand public et utilise des images que n’importe quelle infirmière ou technicien formé pourrait capturer, ce qui le rend attractif pour les cliniques chargées ou les régions à ressources limitées. Toutefois, les auteurs soulignent des réserves importantes : toutes les données proviennent d’un seul hôpital, d’un seul modèle de téléphone et majoritairement d’enfants iraniens, et des experts ont affiné manuellement les zones de peau à analyser. Une utilisation en milieu réel exigera des tests dans de nombreux hôpitaux, avec divers types de téléphones, conditions d’éclairage et tons de peau, ainsi que l’automatisation de davantage d’étapes de sélection d’images.

Ce que cela pourrait signifier pour la prise en charge des nouveau‑nés

En termes simples, l’étude montre qu’un appareil photo de téléphone, guidé par une IA avancée sensible à de très légères variations de couleur, peut presque toujours déterminer quels nouveau‑nés présentent une jaunisse cliniquement significative. Si des travaux futurs confirment ces résultats dans des contextes plus divers, cette approche pourrait devenir un « premier contrôle » rapide et indolore aidant à décider quels bébés ont besoin d’analyses sanguines ou d’un traitement et quels peuvent rentrer chez eux en toute sécurité. Pour les familles et les soignants, cela pourrait signifier moins de ponctions, des coûts réduits et, surtout, une protection plus précoce contre une forme évitable d’atteinte cérébrale.

Citation: 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

Mots-clés: jaunisse néonatale, dépistage par smartphone, IA en imagerie médicale, vision transformer, santé du nouveau‑né