Wspomagana komputerowo diagnostyka ostrej bilirubinowej encefalopatii noworodków przy użyciu multimodalnych obrazów MRI i konwolucyjnych sieci neuronowych

Dlaczego to ważne dla noworodków i ich rodzin

Żółtaczka jest powszechna u noworodków i zwykle niegroźna, ale u niektórych niemowląt nagromadzenie żółtego barwnika, zwanego bilirubiną, może cicho uszkodzić mózg. Lekarzom trudno jest ocenić wyłącznie na podstawie badań obrazowych i badań krwi, które dzieci z żółtaczką są naprawdę zagrożone. W tym badaniu sprawdzono, czy inteligentne narzędzia komputerowe potrafią analizować skany mózgu precyzyjniej niż ludzkie oko, pomagając lekarzom chronić dzieci przed trwałą niepełnosprawnością, przy jednoczesnym unikaniu niepotrzebnego niepokoju i leczenia.

Ukryte zagrożenie stojące za żółtaczką noworodków

Większość dzieci rozwija pewien stopień żółtaczki, gdy ich niedojrzałe wątroby uczą się usuwać bilirubinę z krwi. Gdy poziomy bilirubiny stają się bardzo wysokie, barwnik może przenikać do wrażliwych, głębokich struktur mózgu i wywołać stan zwany ostrą encefalopatią bilirubinową, która, jeśli nie zostanie w porę leczona, może prowadzić do długotrwałych zaburzeń ruchowych, słuchu i uczenia się. Problem w tym, że wczesne uszkodzenia mózgu mogą być subtelne i odwracalne, a obecne skale przyłóżkowe i badania laboratoryjne są niedoskonałe. Rezonans magnetyczny (MRI) daje nieinwazyjne okno na mózg noworodka, ale nawet specjaliści często uznają, że dzieci dotknięte i niedotknięte wyglądają zaskakująco podobnie na standardowych obrazach.

Patrzenie na mózg przez więcej niż jedną parę okularów

Tradycyjne MRI u tych dzieci skupia się głównie na jednym rodzaju obrazu, zwanym obrazowaniem T1, gdzie globus pallidus — mały, głęboki obszar zaangażowany w kontrolę ruchu — może wydawać się nieprawidłowo jasny przy uszkodzeniu przez bilirubinę. Wcześniejsze prace wykazały, że czytanie wyłącznie tych obrazów, nawet przy użyciu prostych pomiarów komputerowych lub wcześniejszych modeli uczenia głębokiego, pozostawiało dużo miejsca na błąd. Autorzy wysnuli hipotezę, że inne „odmiany” MRI, takie jak obrazy T2 oraz mapy dyfuzji śledzące ruch wody w tkance mózgowej, mogą zawierać dodatkowe wskazówki. Zamiast prosić lekarzy o ręczne pomiary konkretnych obszarów, postanowili wprowadzić pełną wartość informacyjną tych trzech typów obrazów do nowoczesnych algorytmów rozpoznawania obrazów.

Nauczanie komputerów rozpoznawania wczesnych uszkodzeń mózgu

Zespół badawczy zebrał skany mózgu od 150 noworodków z wysokim poziomem bilirubiny: połowa miała oznaki ostrego zajęcia mózgu, a połowa nie. Dla każdego dziecka pozyskano trzy serie MRI — T1, T2 oraz mapę dyfuzyjną zwaną pozornym współczynnikiem dyfuzji (ADC). Najpierw obrazy zostały starannie wyrównane i przycięte, aby pozostał jedynie mózg, następnie przeskalowane i znormalizowane pod względem jasności, aby mogły być przetwarzane przez standardowe oprogramowanie do analizy obrazów. Naukowcy przetestowali dwie szerokie strategie. Jedna opierała się na klasycznej metodzie uczenia maszynowego zwanej maszyną wektorów nośnych (SVM), wykorzystując proste ręcznie obliczane stosunki jasności pomiędzy podatną głęboką strukturą (globus pallidus) a pobliską istotą białą. Druga wykorzystywała potężne modele uczenia głębokiego, InceptionV3 i EfficientNetB0, które uczą się własnych cech wizualnych bezpośrednio z surowych obrazów.

Mieszanie typów skanów daje najpełniejszy obraz

W porównaniu metod prostsze podejście oparte na ręcznych pomiarach poprawiało się w pewnym stopniu przy łączeniu wielu typów skanów, ale jego najlepsze wyniki wciąż były niewystarczające dla komfortowego podejmowania decyzji klinicznych. Natomiast modele uczenia głębokiego poprawiały się dramatycznie wraz z łączeniem kolejnych typów MRI. Poprzez ułożenie obrazów T1, T2 i ADC razem, jak trzy kanały kolorów na fotografii, sieć o najlepszej wydajności (InceptionV3) poprawnie rozróżniała pacjentów dotkniętych od nie dotkniętych w ponad 96% przypadków, osiągając niemal doskonałą miarę ogólnej zdolności dyskryminacji. Wizualne mapy obszarów, na których opierała się sieć, pokazały, że skupiała się ona na tych samych głębokich obszarach mózgu — globus pallidus, jądrach podwzgórzowych (subthalamic nuclei) i hipokampie — które eksperci ludzcy uznają za najbardziej podatne na uszkodzenia przez bilirubinę, co sugeruje, że komputer uczył się klinicznie istotnych wzorców, a nie losowych anomalii.

Od narzędzia badawczego do pomocnika przy łóżku chorego

Badanie wykazuje, że starannie wytrenowany system wspomaganej komputerowo diagnostyki, zasilany kilkoma komplementarnymi typami MRI zamiast pojedynczego badania, może z dużą dokładnością wskazywać wczesne uszkodzenia mózgu związane z bilirubiną u noworodków. Choć praca została wykonana w jednym szpitalu i wciąż stoi przed nią kilka przeszkód, takich jak przeuczenie modelu i konieczność testów na większych, bardziej zróżnicowanych grupach niemowląt, wskazuje na przyszłość, w której zaawansowane algorytmy analizy obrazów pełnią rolę drugiego zestawu oczu dla pediatrów i radiologów. Stosowane rozsądnie, takie narzędzia mogłyby pomóc ustalić, które niemowlęta z żółtaczką wymagają pilnego leczenia — i co równie ważne — uspokoić rodziny, gdy mózg dziecka prawdopodobnie jest bezpieczny.

Cytowanie: Wu, M., Liu, Q. Computer-aided diagnosis of neonatal acute bilirubin encephalopathy with multi-modal MRI images and convolutional neural networks. Sci Rep 16, 9611 (2026). https://doi.org/10.1038/s41598-025-33337-4

Słowa kluczowe: żółtaczka noworodków, encefalopatia bilirubinowa, rezonans magnetyczny mózgu, uczenie głębokie, wspomagana komputerowo diagnostyka