使用多模态MRI图像和卷积神经网络对新生儿急性胆红素性脑病的计算机辅助诊断

这对新生儿及其家庭为何重要

黄疸在新生儿中很常见，通常无害，但在部分婴儿体内，一种称为胆红素的黄色色素积聚可能会悄然损伤大脑。医生仅凭影像和血检有时难以判断哪类黄疸婴儿处于真正危险中。本研究探讨智能计算工具是否能比人眼更精确地解读脑部影像，帮助医生在避免不必要惊慌和治疗的同时，保护婴儿免受永久性残疾。

新生儿黄疸背后的隐秘危险

大多数婴儿在肝脏尚未成熟、清除血液中胆红素的能力仍在建立时，会出现不同程度的黄疸。当胆红素水平极高时，该色素可能渗入脑内敏感的深部结构，诱发称为急性胆红素性脑病的疾病，若未及时治疗，可能导致长期的运动、听力和学习问题。难点在于早期脑损伤可能细微且可逆，而现有的床边评分和实验室检测并不完美。磁共振成像（MRI）为新生儿大脑提供了无创观察手段，但即便是专家也常发现，受累与未受累的婴儿在标准影像上看起来惊人地相似。

用多种“镜片”观察大脑

针对这些婴儿的传统MRI主要集中在一种图像类型，即T1加权成像，在此图像上，苍白球——一个参与运动控制的小而深的结构——在胆红素损伤时可能显得异常偏亮。早期研究表明，仅读取这些图像，即便使用简单的计算测量或早期深度学习模型，仍有相当的误差空间。作者推测，其他MRI“口味”，如T2加权图像和描述水分子在脑组织中运动的弥散图（diffusion-based maps），可能包含额外线索。他们没有要求医生手动测量特定区域，而是将这三类图像的全部信息输入现代图像识别算法中。

教会计算机识别早期脑损伤

研究团队收集了150例胆红素水平升高的新生儿脑部扫描：一半在临床上有急性脑受累迹象，另一半没有。每例婴儿均获得三套MRI序列——T1、T2和一种称为表观弥散系数（ADC）的弥散图。首先，对图像进行精确配准与裁剪，仅保留脑部区域，然后调整大小并进行亮度归一化，以便被标准图像分析软件处理。科学家尝试了两类策略。一类依赖经典机器学习方法——支持向量机，使用手工计算的亮度比值，例如脆弱的深部结构（苍白球）与邻近白质之间的比值。另一类则使用强大的深度学习模型InceptionV3和EfficientNetB0，这些模型直接从原始图像中学习视觉特征。

融合多种扫描类型呈现最清晰图景

比较方法时，简单的手工测量方法在结合多种扫描类型后确实有所改善，但其最佳表现仍不足以满足临床决策的舒适阈值。相反，深度学习模型在融合更多MRI类型后显著提升。通过将T1、T2和ADC图像像照片中的三个颜色通道那样叠加，表现最好的网络（InceptionV3）在区分受累与未受累婴儿时，准确率超过96%，总体判别力接近完美。网络所依赖区域的可视化图显示，它关注的是与人类专家认为最易受胆红素损伤的深部脑区相同的位置——苍白球、亚丘脑核和海马，表明计算机学到的是具有临床意义的模式，而非随机巧合。

从研究工具走向床边助手

研究结论是：一个经过精心训练的计算机辅助诊断系统，在输入多种互补的MRI类型而不仅仅是一种扫描时，能够以令人印象深刻的准确率提示新生儿早期与胆红素相关的脑损伤。尽管该工作在单一医院完成，仍面临过拟合以及需要在更大、更具多样性的婴儿群体中验证等挑战，但它指向了一个未来：先进的影像解读算法作为儿科医生和放射科医师的第二双眼睛。如果合理使用，此类工具既能帮助识别哪些黄疸婴儿最需要紧急治疗，也能在婴儿大脑可能安全时为家庭提供安慰。

引用: 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

关键词: 新生儿黄疸, 胆红素性脑病, 脑部MRI, 深度学习, 计算机辅助诊断