Wykrywanie żółtaczki noworodków za pomocą modelu głębokiego uczenia opartego na vision transformerze

Dlaczego to ma znaczenie dla świeżo upieczonych rodziców

Większość noworodków rozwija pewne zażółcenie skóry, znane jako żółtaczka. Zazwyczaj ustępuje samoistnie, ale u niektórych niemowląt wysokie stężenia barwnika bilirubiny mogą uszkodzić mózg, jeśli nie zostaną wykryte na czas. Obecnie sprawdzenie poziomu bilirubiny często wymaga nakłucia igłą lub drogiego urządzenia przy łóżku pacjenta. Badanie to analizuje, czy zwykły smartfon w połączeniu z nowym rodzajem sztucznej inteligencji mógłby stanowić tani, nieinwazyjny sposób wykrywania ryzykownej żółtaczki na wczesnym etapie — zwłaszcza w szpitalach i przychodniach pozbawionych zaawansowanego sprzętu.

Ukryte ryzyko za powszechnym żółtym odcieniem

Żółtaczka dotyka zdecydowanie ponad połowy donoszonych noworodków, a jeszcze większy odsetek wcześniaków. Objawia się żółtym zabarwieniem skóry i białek oczu, gdy bilirubina gromadzi się we krwi. Łagodne przypadki są nieszkodliwe, ale ciężkie lub przeoczone mogą prowadzić do uszkodzenia mózgu zwanego kernicterus, trwałego kalectwa, a nawet śmierci. Standardowa opieka opiera się na ocenie wzrokowej, a następnie badaniach krwi lub specjalistycznych miernikach przykładanych do skóry. Metody te działają, lecz są subiektywne, inwazyjne, powolne lub kosztowne — co stanowi szczególnie poważną barierę w zatłoczonych lub słabo wyposażonych oddziałach, gdzie wiele dzieci trzeba szybko przesiewać.

Przekształcanie aparatu w smartfonie w narzędzie medyczne

Naukowcy postawili sobie za cel zbudowanie praktycznego systemu przesiewowego wykorzystującego jedynie kamerę smartfona i nowoczesny model AI. Do badania zrekrutowano 500 noworodków w szpitalu dziecięcym w Teheranie (Iran), fotografując trzy obszary ciała — twarz, brzuch i wewnętrzną część przedramienia — przy użyciu iPhone’a zamocowanego na statywie w pomieszczeniu o ściśle kontrolowanym oświetleniu. W każdym zdjęciu obok skóry dziecka umieszczono kartę kolorów z wieloma polami, aby ustandaryzować barwy między obrazami. W niemal tym samym czasie u każdego dziecka wykonano rutynowe badanie krwi mierzące poziom bilirubiny; lekarze użyli tych wyników do oznakowania dzieci jako z żółtaczką lub bez niej, tworząc wiarygodny punkt odniesienia do trenowania i testowania algorytmów.

Czyszczenie i skupianie się na obrazach

Zanim modele AI zobaczyły zdjęcia, zespół poddał je starannej obróbce. Odrzucono zdjęcia niskiej jakości z rozmyciem lub złym kadrowaniem, a pozostałe zapisano w formacie wysokiej wierności, by zachować subtelne różnice kolorystyczne. Programy komputerowe następnie dopasowały obrazy z użyciem karty kolorów jako odniesienia, wzmocniły lokalny kontrast, aby uwidocznić niewielkie zmiany odcienia skóry, i przekonwertowały kolory do reprezentacji ułatwiających oddzielenie skóry od tła. Etap półautomatyczny wyodrębnił gładkie, równomiernie oświetlone fragmenty skóry i wykadrował je do ustandaryzowanych, małych kwadratów. Aby nauczyć modele radzenia sobie z naturalną zmiennością, badacze stworzyli także zmodyfikowane wersje niektórych obrazów treningowych — nieznacznie obrócone, odbite lub rozjaśnione — bez zmiany ich znaczenia medycznego.

Jak nowe AI porównuje się ze starszymi podejściami

Rdzeniem badania jest model zwany vision transformerem, zaadaptowany z narzędzi pierwotnie zaprojektowanych do rozumienia złożonych wzorców na obrazach. W przeciwieństwie do tradycyjnych konwolucyjnych sieci neuronowych, które w dużej mierze analizują lokalne sąsiedztwa pikseli, transformer uczy się zwracać uwagę zarówno na drobne detale, jak i szersze wzorce w całym obrazie. Autorzy wytrenowali model o nazwie T2T‑ViT, aby decydował, czy każdy fragment skóry pochodzi od dziecka z żółtaczką, czy bez niej. Porównali jego wyniki z trzema ustalonymi metodami: popularną głęboką siecią ResNet‑50 oraz dwoma klasycznymi technikami uczenia maszynowego — maszynami wektorów nośnych i k‑najbliższych sąsiadów — które opierały się na prostych statystykach kolorów zamiast surowych obrazów. W niezależnym zestawie testowym transformer poprawnie sklasyfikował praktycznie każdy przypadek, osiągając około 99% dokładności, czułości i swoistości. Wyraźnie przewyższał pozostałe metody, które częściej błędnie klasyfikowały niemowlęta i szczególnie miały trudności z przypadkami granicznymi żółtaczki.

Obietnice i wyzwania w rzeczywistych warunkach

Wyniki te sugerują, że w kontrolowanych warunkach smartfon wraz z dobrze wytrenowanym modelem transformera może dorównywać lub przewyższać znacznie droższe narzędzia identyfikujące noworodki wymagające bliższego monitorowania lub leczenia. System jest na tyle lekki, że może działać na sprzęcie konsumenckim i wykorzystuje obrazy, które może wykonać każdy przeszkolony pielęgniarz lub technik, co czyni go atrakcyjnym dla zatłoczonych przychodni czy regionów o ograniczonych zasobach. Autorzy jednak podkreślają istotne zastrzeżenia: wszystkie dane pochodziły z jednego szpitala, jednego modelu telefonu i głównie irańskich niemowląt, a eksperci ręcznie dopracowywali, które obszary skóry analizować. Zastosowanie w rzeczywistości wymaga przetestowania w wielu szpitalach, na różnych typach telefonów, przy różnych warunkach oświetleniowych i odcieniach skóry, a także zautomatyzowania większej części kroków wyboru obrazów.

Co to może oznaczać dla opieki nad noworodkami

Mówiąc prosto, badanie pokazuje, że aparat w telefonie kierowany przez zaawansowaną sztuczną inteligencję wrażliwą na bardzo drobne przesunięcia kolorystyczne może niemal zawsze rozpoznać, które noworodki mają klinicznie istotną żółtaczkę. Jeśli przyszłe prace potwierdzą te wyniki w bardziej zróżnicowanych warunkach, takie podejście mogłoby stać się szybkim, bezbolesnym „pierwszym badaniem”, które pomaga zdecydować, które dzieci potrzebują badań krwi lub leczenia, a które mogą bezpiecznie iść do domu. Dla rodzin i pracowników służby zdrowia oznaczałoby to mniej nakłuć, niższe koszty i, co najważniejsze, wcześniejszą ochronę przed możliwym do uniknięcia uszkodzeniem mózgu.

Cytowanie: 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

Słowa kluczowe: żółtaczka noworodków, badanie przesiewowe przy użyciu smartfona, AI w obrazowaniu medycznym, vision transformer, zdrowie noworodków