Görsel dönüştürücü (vision transformer) tabanlı derin öğrenme modeli kullanarak yenidoğan sarılığı tespiti

Yeni ebeveynler için bunun önemi

Çoğu yenidoğan, sarılık olarak bilinen deri sararması geliştirir. Genellikle kendiliğinden geçer, ancak bazı bebeklerde yüksek düzeydeki bilirubin zamanında yakalanmazsa beyne zarar verebilir. Bugün bilirubin kontrolü genellikle iğneyle kan alma veya pahalı bir yatak başı cihazı gerektirir. Bu çalışma, sıradan bir akıllı telefonun ve yeni bir yapay zeka türünün birleştirilmesinin, gelişmiş ekipmandan yoksun hastane ve kliniklerde özellikle erken dönemde riskli sarılığı düşük maliyetli, invazif olmayan bir şekilde tespit edip edemeyeceğini araştırıyor.

Yaygın bir sarı tonun ardındaki gizli risk

Sarılık, tam dönem yenidoğanların ve prematüre bebeklerin çoğunda görülür. Bilirubin kanda biriktiğinde deri ve göz aklarında sarı renk olarak ortaya çıkar. Hafif vakalar zararsızdır, ancak ağır veya atlanmış vakalar kernikterus adı verilen bir beyin hasarına, uzun süreli sakatlığa veya ölüme yol açabilir. Standart bakım görsel muayeneye ve ardından kan testleri veya deriye bastırılan özel cihazlara dayanır. Bu yöntemler çalışsa da öznel, invazif, yavaş veya maliyetli olabilir—özellikle birden çok bebeğin hızla taranması gereken kalabalık veya düşük kaynaklı bakım ortamlarında bu engeller ciddi sorunlardır.

Telefon kamerasını bir sağlık aracına dönüştürmek

Araştırmacılar yalnızca bir akıllı telefon kamerası ve modern bir yapay zeka modeli kullanarak pratik bir tarama hattı oluşturmayı amaçladılar. İran’ın Tahran kentindeki bir çocuk hastanesinde 500 yenidoğan kaydedildi ve yüz, karın ve iç önkol olmak üzere üç vücut bölgesi tripod üzerinde sabitlenmiş bir iPhone ile sıkı kontrollü aydınlatma koşullarında görüntülendi. Her fotoğrafın yanına renkleri standartlaştırmak için çok renkli karelerden oluşan bir renk kartı yerleştirildi. Neredeyse aynı zamanda her bebeğe rutin bir kan testi yapılarak bilirubin ölçüldü; doktorlar bu değerleri bebeği sarılıklı veya sarılıksız olarak etiketlemek için kullandı ve algoritmaların eğitimi ve testi için güvenilir bir referans oluşturdu.

Görüntüleri temizleme ve odaklama

Herhangi bir yapay zeka modeli fotoğrafları görmeden önce ekip görüntüleri dikkatli bir temizleme işleminden geçirdi. Bulanık veya kötü kadrajlanmış düşük kaliteli çekimler elendi ve kalan fotoğraflar ince renk farklarını korumak için yüksek doğruluklu biçimde kaydedildi. Bilgi işlem rutinleri daha sonra renk kartını referans alarak görüntüleri düzeltti, cilt tonundaki küçük değişiklikleri görünür kılmak için yerel kontrastı artırdı ve cildi arka plandan ayırmaya yardımcı olacak renk dönüşümleri uyguladı. Yarı otomatik bir adım, düzgün ve eşit aydınlatılmış cilt yamalarını izole edip standart küçük karelere kırptı. Modellerin doğal varyasyonlarla başa çıkmasını öğretmek için araştırmacılar eğitim görüntülerinin bazılarını hafifçe döndürülmüş, çevrilmiş veya aydınlatması artırılmış şekilde —tıbbi anlamlarını değiştirmeden— değiştirilmiş versiyonlarını da oluşturdular.

Yeni AI’nın eski yaklaşımlarla karşılaştırması

Çalışmanın merkezinde, başlangıçta görüntülerdeki karmaşık desenleri anlamak için tasarlanmış araçlardan uyarlanmış bir model olan vision transformer yer alıyor. Geleneksel konvolüsyonel sinir ağlarının çoğunlukla piksellerin küçük komşuluklarına bakmasının aksine, transformer hem küçük ayrıntılara hem de görüntü genelindeki daha geniş desenlere dikkat etmeyi öğrenir. Yazarlar bu modele T2T‑ViT adını verip her bir cilt kırpmasının sarılıklı mı yoksa sarılıksız mı olduğunu belirlemesi için eğitti. Performansını doğrudan üç yerleşik yöntemle karşılaştırdılar: yaygın bir derin ağ olan ResNet‑50 ve basit renk istatistiklerine dayanan iki klasik makine öğrenmesi tekniği, destek vektör makineleri ile k‑en yakın komşu. Bağımsız bir test setinde transformer neredeyse her vakayı doğru sınıflandırdı; doğruluk, duyarlılık ve özgüllükte yaklaşık %99 düzeyine ulaştı. Diğer yöntemlere göre belirgin şekilde daha iyi performans gösterdi; onlar daha fazla bebeği yanlış sınıflandırdı ve özellikle sınırda olan sarılıklarda zorlandılar.

Söz verilenler ve gerçek dünya zorlukları

Bu sonuçlar, kontrollü koşullar altında bir akıllı telefon ve iyi eğitilmiş bir transformer modelinin, yakın izleme veya tedavi gerektirebilecek yenidoğanları belirlemede çok daha pahalı araçlarla eşdeğer veya daha iyi olabileceğini gösteriyor. Sistem, tüketici sınıfı donanımda çalışacak kadar hafif ve herhangi bir eğitimli hemşire veya teknisyenin çekebileceği görüntüleri kullanıyor; bu da yoğun klinikler veya sınırlı kaynaklı bölgeler için çekici kılıyor. Yine de yazarlar önemli uyarılara dikkat çekiyor: tüm veriler tek bir hastaneden, tek bir telefon modelinden ve çoğunlukla İranlı infantlardan geldi ve uzmanlar hangi cilt bölgelerinin analiz edileceğini elle düzeltti. Gerçek dünya kullanımı için birçok hastane, telefon türü, aydınlatma koşulu ve cilt tonunda test edilmesi ve görüntü seçimi adımlarının daha fazla otomatikleştirilmesi gerekecek.

Yenidoğan bakımına olası etkileri

Basitçe söylemek gerekirse, çalışma telefon kamerasının, çok hafif renk değişimlerine duyarlı gelişmiş bir yapay zeka rehberliğinde klinik olarak önemli sarılığı olan yenidoğanları neredeyse her zaman belirleyebildiğini gösteriyor. Gelecekteki çalışmalar bu bulguları daha çeşitli ortamlarda doğrulursa, bu yaklaşım hangi bebeklerin kan testi veya tedaviye ihtiyaç duyduğuna hızla ve ağrısız bir "ilk kontrol"le karar verilmesine yardımcı olabilir ve hangi bebeklerin güvenle eve gidebileceğini belirleyebilir. Hem aileler hem de sağlık çalışanları için bu, daha az iğne girişimi, daha düşük maliyetler ve en önemlisi önlenebilir bir beyin yaralanmasına karşı daha erken koruma anlamına gelebilir.

Atıf: 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

Anahtar kelimeler: yenidoğan sarılığı, akıllı telefon taraması, tıbbi görüntüleme AI, vision transformer, yenidoğan sağlığı