Обнаружение неонатальной желтухи с помощью глубокого обучения на базе Vision Transformer

Почему это важно для молодых родителей

У большинства новорождённых наблюдается некоторая желтизна кожи, известная как желтуха. Обычно она проходит самостоятельно, но у некоторых детей высокий уровень пигмента билирубина может повредить мозг, если его вовремя не обнаружить. Сегодня проверка уровня билирубина часто требует прокола или дорогого портативного прибора. В этом исследовании изучают, может ли обычный смартфон в сочетании с новым типом искусственного интеллекта предложить недорогой, неинвазивный способ раннего выявления опасной желтухи — особенно в больницах и клиниках, где нет современного оборудования.

Скрытая опасность за распространённым желтоватым оттенком

Желтуха затрагивает значительно более половины доношенных новорождённых и ещё больше — недоношенных. Она проявляется как жёлтый оттенок кожи и склер при накоплении билирубина в крови. Лёгкие случаи безвредны, но тяжёлая или пропущенная желтуха может привести к повреждению мозга, называемому керниктерусом, к долговременной инвалидности или даже к смерти. Стандартная практика опирается на осмотр и последующие анализы крови или специализированные датчики, прижимаемые к коже. Эти методы работают, но они субъективны, инвазивны, медленны или дороги — барьеры, особенно критичные в переполненных или с ограниченными ресурсами родильных отделениях, где нужно быстро обследовать много младенцев.

Преобразование камеры телефона в инструмент для здоровья

Исследователи поставили цель создать практическую систему скрининга, используя только камеру смартфона и современную модель ИИ. Они включили в исследование 500 новорождённых в детской больнице Тегерана, Иран, фотографируя три участка тела — лицо, живот и внутреннюю поверхность предплечья — с помощью iPhone, установленного на штатив, в комнате с тщательно контролируемым освещением. Рядом с кожей в каждом кадре размещали цветную шкалу с множеством цветных квадратов для стандартизации цветопередачи. Почти в то же время у каждого малыша брали рутинный анализ крови на билирубин; по этим значениям врачи помечали ребёнка как с желтухой или без неё, создавая надёжную эталонную метку для обучения и тестирования алгоритмов.

Очистка и фокусировка изображений

Прежде чем какая‑либо модель ИИ увидела снимки, команда провела тщательную очистку. Снимки низкого качества с размытостью или плохой композицией отбраковывали, а оставшиеся сохраняли в высоком качестве, чтобы сохранить тонкие цветовые различия. Программные процедуры затем скорректировали изображения, используя цветовую шкалу в качестве эталона, усилили локальную контрастность, чтобы сделать мелкие изменения тона кожи более заметными, и преобразовали цвета в представления, которые помогают отделять кожу от фона. Полуавтоматический шаг выделял ровные, равномерно освещённые участки кожи и обрезал их до стандартизированных маленьких квадратов. Чтобы научить модели справляться с естественной вариабельностью, исследователи также создали изменённые версии некоторых обучающих изображений — слегка повернутые, отражённые или осветлённые — без изменения их медицинского смысла.

Чем новый ИИ отличается от старых подходов

В основе исследования лежит модель, называемая vision transformer, адаптированная из инструментов, изначально разработанных для анализа сложных закономерностей на изображениях. В отличие от традиционных сверточных нейросетей, которые в основном рассматривают небольшие окрестности пикселей, трансформер учится обращать внимание как на мелкие детали, так и на более широкие паттерны по всему изображению. Авторы обучили эту модель, названную T2T‑ViT, решать, относится ли каждый кусок кожи к ребёнку с желтухой или без неё. Они прямо сравнили её с тремя устоявшимися методами: популярной глубокой сетью ResNet‑50 и двумя классическими методами машинного обучения — методами опорных векторов и k‑ближайших соседей, которые опирались на простую статистику цветов вместо исходных изображений. На независимом тестовом наборе трансформер правильно классифицировал практически все случаи, достигая примерно 99% по точности, чувствительности и специфичности. Он явно превзошёл другие методы, которые допускали больше ошибок, особенно при пограничных случаях желтухи.

Перспективы и реальные трудности

Эти результаты указывают, что в контролируемых условиях смартфон в связке с хорошо обученной моделью‑трансформером может соперничать с гораздо более дорогими приборами при выявлении новорождённых, которым требуется более внимательное наблюдение или лечение. Система достаточно лёгкая, чтобы запускаться на потребительском оборудовании, и использует снимки, которые может сделать любой обученная медсестра или техник, что делает её привлекательной для загруженных клиник или регионов с ограниченными ресурсами. Тем не менее авторы подчёркивают важные оговорки: все данные получены в одной больнице, на одной модели телефона и преимущественно от иранских младенцев, а эксперты вручную уточняли, какие участки кожи анализировать. Для реального применения потребуется тестирование в разных больницах, на разных моделях телефонов, при различных условиях освещения и на разных тонах кожи, а также автоматизация большей части шагов по выбору изображения.

Что это может значить для ухода за новорождёнными

Проще говоря, исследование демонстрирует, что камера телефона в сочетании с продвинутым ИИ, чувствительным к очень слабым цветовым сдвигам, почти всегда может определить, есть ли у новорождённого клинически значимая желтуха. Если дальнейшие работы подтвердят эти находки в более разнообразных условиях, такой подход может стать быстрым, безболезненным «первичным осмотром», который помогает решить, кому нужны анализы крови или лечение, а кому можно безопасно выписаться домой. Для семей и медицинского персонала это может означать меньше проколов, более низкие затраты и, что важнее всего, более раннюю защиту от предотвратимой формы повреждения мозга.

Цитирование: 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

Ключевые слова: неонатальная желтуха, скрининг со смартфона, медицинский ИИ для изображений, vision transformer, здоровье новорождённых