Rilevazione dell'ittero neonatale mediante un modello di deep learning basato su vision transformer

Perché è importante per i neo genitori

La maggior parte dei neonati sviluppa un certo ingiallimento della pelle, noto come ittero. Di solito si risolve da solo, ma in alcuni bambini livelli elevati del pigmento bilirubina possono danneggiare il cervello se non vengono individuati in tempo. Oggi il controllo della bilirubina richiede spesso una puntura o un dispositivo costoso a letto del paziente. Questo studio esplora se uno smartphone comune, combinato con un nuovo tipo di intelligenza artificiale, potrebbe offrire un modo non invasivo e a basso costo per individuare precocemente l'ittero a rischio—soprattutto in ospedali e cliniche privi di apparecchiature avanzate.

Il rischio nascosto dietro un comune tono giallo

L'ittero colpisce ben oltre la metà dei neonati a termine e ancora più frequentemente i bambini prematuri. Si manifesta come un colore giallo sulla pelle e nella parte bianca degli occhi quando la bilirubina si accumula nel sangue. I casi lievi sono innocui, ma quelli gravi o non diagnosticati possono portare a una forma di danno cerebrale chiamata kernittero, a disabilità a lungo termine o perfino alla morte. La cura standard si basa sull'ispezione visiva seguita da esami del sangue o da misuratori specializzati posizionati sulla pelle. Questi metodi funzionano, ma sono soggettivi, invasivi, lenti o costosi—barriere particolarmente rilevanti in neonatologie affollate o con risorse limitate, dove molti bambini devono essere sottoposti a screening rapidamente.

Trasformare la fotocamera del telefono in uno strumento sanitario

I ricercatori hanno voluto costruire una procedura di screening pratica usando solo la fotocamera di uno smartphone e un modello di IA moderno. Hanno arruolato 500 neonati in un ospedale pediatrico di Teheran, Iran, acquisendo immagini di tre regioni del corpo—viso, addome e parte interna dell'avambraccio—con un iPhone montato su un treppiede in una stanza con illuminazione rigorosamente controllata. In ogni foto è stata posizionata una carta colore con molte caselle colorate accanto alla pelle del bambino per standardizzare i colori tra le immagini. Quasi nello stesso momento, a ogni neonato è stato effettuato un esame del sangue di routine per misurare la bilirubina; i medici hanno usato quei valori per etichettare ogni neonato come itterico o no, creando un riferimento affidabile per l'addestramento e il test degli algoritmi.

Pulizia e messa a fuoco delle immagini

Prima che qualsiasi modello di IA vedesse le immagini, il team ha sottoposto le foto a un accurato processo di pulizia. Sono stati scartati scatti di bassa qualità con sfocature o inquadrature errate, e le foto rimanenti sono state salvate in formato ad alta fedeltà per preservare sottili differenze di colore. Routine informatiche hanno poi regolato le immagini usando la carta colore come riferimento, aumentato il contrasto locale per rendere più visibili piccoli cambiamenti nel tono della pelle e convertito i colori in forme che aiutano a separare la pelle dallo sfondo. Un passaggio semi-automatico ha isolato chiazze di pelle lisce e uniformemente illuminate e le ha ritagliate in quadrati standardizzati di piccole dimensioni. Per insegnare ai modelli a gestire la variazione naturale, i ricercatori hanno anche creato versioni modificate di alcune immagini di addestramento—lievemente ruotate, capovolte o schiarite—senza alterarne il significato medico.

Come la nuova IA si confronta con approcci più vecchi

Il fulcro dello studio è un modello chiamato vision transformer, adattato da strumenti originariamente progettati per comprendere pattern complessi nelle immagini. A differenza delle reti neurali convoluzionali tradizionali, che guardano per lo più a piccoli vicinati di pixel, il transformer impara a prestare attenzione sia ai dettagli minimi sia ai pattern più ampi nell'immagine. Gli autori hanno addestrato questo modello, chiamato T2T-ViT, a decidere se ogni ritaglio di pelle provenisse da un bambino itterico o non itterico. Hanno confrontato direttamente le sue prestazioni con tre metodi consolidati: una rete profonda molto diffusa nota come ResNet-50 e due tecniche classiche di machine learning, macchine a vettori di supporto e k-nearest neighbors, che si basavano su statistiche di colore semplici anziché sulle immagini grezze. Su un set di test indipendente, il transformer ha classificato correttamente virtualmente ogni caso, raggiungendo circa il 99% di accuratezza, sensibilità e specificità. Ha chiaramente superato gli altri metodi, che hanno classificato erroneamente più neonati e hanno mostrato difficoltà soprattutto con l'ittero al limite.

Promesse e sfide nel mondo reale

Questi risultati suggeriscono che, in condizioni controllate, uno smartphone abbinato a un transformer ben addestrato può eguagliare o superare strumenti molto più costosi nell'identificare i neonati che potrebbero necessitare di monitoraggio o trattamento più attento. Il sistema è sufficientemente leggero da funzionare su hardware di consumo e utilizza immagini che qualsiasi infermiere o tecnico formato potrebbe acquisire, rendendolo interessante per cliniche affollate o regioni con risorse limitate. Tuttavia, gli autori sottolineano importanti avvertenze: tutti i dati provengono da un singolo ospedale, da un solo modello di telefono e per lo più da neonati iraniani, ed esperti hanno raffinato manualmente quali aree di pelle analizzare. L'uso nel mondo reale richiederà test in molti ospedali, con vari tipi di telefono, condizioni di illuminazione e tonalità della pelle, oltre all'automazione di una parte maggiore dei passaggi di selezione delle immagini.

Cosa potrebbe significare per la cura dei neonati

In termini semplici, lo studio mostra che una fotocamera di telefono, guidata da un'IA avanzata sensibile a minuscole variazioni di colore, può quasi sempre distinguere i neonati con ittero clinicamente significativo. Se lavori futuri confermeranno questi risultati in contesti più diversi, questo approccio potrebbe diventare un "primo controllo" rapido e indolore che aiuta a decidere quali bambini necessitano di esami del sangue o trattamento e quali possono tornare a casa in sicurezza. Per le famiglie e gli operatori sanitari, ciò potrebbe significare meno punture, costi più bassi e, cosa più importante, una protezione più precoce contro una forma prevenibile di danno cerebrale.

Citazione: 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

Parole chiave: ittero neonatale, screening con smartphone, IA per imaging medico, vision transformer, salute del neonato