Detecção de icterícia neonatal usando um modelo de deep learning baseado em vision transformer

Por que isso importa para novos pais

A maioria dos recém‑nascidos desenvolve algum amarelamento da pele, conhecido como icterícia. Normalmente isso desaparece por si só, mas em alguns bebês níveis elevados do pigmento bilirrubina podem prejudicar o cérebro se não forem detectados a tempo. Hoje, a verificação da bilirrubina frequentemente exige uma punção com agulha ou um aparelho à beira‑leito caro. Este estudo investiga se um smartphone comum, combinado com um novo tipo de inteligência artificial, poderia oferecer uma forma de baixo custo e não invasiva de identificar precocemente a icterícia de risco — especialmente em hospitais e clínicas que não dispõem de equipamentos avançados.

O risco oculto por trás de um tom amarelo comum

A icterícia afeta bem mais da metade dos recém‑nascidos a termo e ainda mais os prematuros. Ela se manifesta como uma coloração amarelada na pele e nos brancos dos olhos quando a bilirrubina se acumula no sangue. Casos leves são inofensivos, mas os casos graves ou não detectados podem levar a uma forma de dano cerebral chamada kernicterus, incapacidade a longo prazo ou até morte. O atendimento padrão depende da inspeção visual seguida de exames de sangue ou de medidores especializados pressionados contra a pele. Esses métodos funcionam, mas são subjetivos, invasivos, lentos ou caros — barreiras que são especialmente sérias em berçários lotados ou com poucos recursos, onde muitos bebês precisam ser triados rapidamente.

Transformando a câmera do celular em uma ferramenta de saúde

Os pesquisadores buscaram construir um fluxo de triagem prático usando apenas a câmera de um smartphone e um modelo de IA moderno. Eles recrutaram 500 recém‑nascidos em um hospital infantil em Teerã, Irã, fotografando três regiões do corpo — rosto, abdome e antebraço interno — com um iPhone montado em tripé em uma sala com iluminação estritamente controlada. Um cartão de cores com muitos quadrados coloridos foi colocado ao lado da pele do bebê em cada foto para padronizar as cores entre as imagens. Quase ao mesmo tempo, cada bebê realizou um exame de sangue de rotina para medir a bilirrubina; os médicos usaram esses valores para rotular cada bebê como icterícia ou não, criando uma referência confiável para treinar e testar os algoritmos.

Limpeza e foco das imagens

Antes que qualquer modelo de IA visse as imagens, a equipe submeteu as fotos a um processo cuidadoso de limpeza. Fotos de baixa qualidade com desfoque ou enquadramento ruim foram descartadas, e as restantes foram salvas em formato de alta fidelidade para preservar diferenças sutis de cor. Rotinas computacionais então ajustaram as imagens usando o cartão de cores como referência, realçaram o contraste local para tornar pequenas variações no tom de pele mais visíveis e converteram as cores para formatos que ajudam a separar pele de fundo. Uma etapa semi‑automática isolou áreas lisas e uniformemente iluminadas da pele e as recortou em quadrados padronizados. Para ensinar os modelos a lidar com variação natural, os pesquisadores também criaram versões modificadas de algumas imagens de treinamento — ligeiramente rotacionadas, invertidas ou clareadas — sem alterar seu significado clínico.

Como a nova IA se compara a abordagens antigas

O cerne do estudo é um modelo chamado vision transformer, adaptado de ferramentas originalmente projetadas para entender padrões complexos em imagens. Ao contrário das redes neurais convolucionais tradicionais, que se concentram principalmente em pequenos vizinhanças de pixels, o transformer aprende a prestar atenção tanto a detalhes minúsculos quanto a padrões mais amplos na imagem. Os autores treinaram esse modelo, chamado T2T‑ViT, para decidir se cada recorte de pele vinha de um bebê com icterícia ou sem. Eles compararam diretamente seu desempenho com três métodos estabelecidos: uma rede profunda popular conhecida como ResNet‑50 e duas técnicas clássicas de aprendizado de máquina, máquinas de vetores de suporte e k‑vizinhos mais próximos, que dependiam de estatísticas simples de cor em vez das imagens brutas. Em um conjunto de teste independente, o transformer classificou corretamente virtualmente todos os casos, alcançando cerca de 99% de acurácia, sensibilidade e especificidade. Ele superou claramente os outros métodos, que classificaram erroneamente mais bebês e especialmente tiveram dificuldade com icterícias limítrofes.

Promessas e desafios no mundo real

Esses resultados sugerem que, em condições controladas, um smartphone combinado com um transformer bem treinado pode igualar ou superar ferramentas muito mais caras para identificar recém‑nascidos que podem precisar de monitoramento ou tratamento mais próximos. O sistema é leve o suficiente para rodar em hardware de consumo e usa imagens que qualquer enfermeiro ou técnico treinado poderia capturar, tornando‑o atraente para clínicas movimentadas ou regiões com recursos limitados. Ainda assim, os autores ressaltam ressalvas importantes: todos os dados vieram de um único hospital, um único modelo de telefone e principalmente de bebês iranianos, e especialistas refinaram manualmente quais áreas de pele analisar. O uso no mundo real exigirá testes em muitos hospitais, tipos de telefone, condições de iluminação e tons de pele, além de automatizar mais etapas da seleção de imagens.

O que isso pode significar para o cuidado neonatal

Em termos simples, o estudo mostra que a câmera de um telefone, guiada por uma IA avançada sensível a alterações muito sutis de cor, pode quase sempre identificar quais recém‑nascidos têm icterícia clinicamente relevante. Se trabalhos futuros confirmarem essas descobertas em ambientes mais diversos, essa abordagem poderia se tornar uma “primeira verificação” rápida e indolor que ajuda a decidir quais bebês precisam de exames de sangue ou tratamento e quais podem ir para casa com segurança. Para famílias e profissionais de saúde, isso poderia significar menos punções, custos mais baixos e, mais importante, proteção mais precoce contra uma forma evitável de lesão cerebral.

Citação: 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

Palavras-chave: icterícia neonatal, triagem por smartphone, IA em imagem médica, vision transformer, saúde do recém‑nascido