基于视觉变换器的深度学习模型用于新生儿黄疸检测

这对新手父母为何重要

大多数新生儿会出现皮肤发黄的情况，称为黄疸。通常这种情况会自行消退，但在某些婴儿中，若胆红素水平过高且未能及时发现，可能会损伤大脑。如今，检测胆红素常常需要抽血或使用昂贵的床边设备。本研究探讨是否可以用普通智能手机，结合一种新型人工智能，提供一种低成本、非侵入性的早期黄疸筛查方法——尤其适用于缺乏先进设备的医院和诊所。

常见黄染背后的隐含风险

黄疸影响超过半数足月新生儿，早产儿的发生率更高。当血液中胆红素积累时，会在皮肤和眼白处呈现黄色。轻度病例通常无害，但严重或漏诊的病例可能导致一种称为核黄疸的脑损伤、长期残疾，甚至死亡。标准护理依赖视觉检查，随后进行血液检测或使用贴在皮肤上的专用测量仪器。这些方法有效，但存在主观性、侵入性、耗时或成本高等问题——在人员紧张或资源匮乏的新生儿室中，这些障碍尤为严重，而那里需要快速筛查大量婴儿。

将手机摄像头变成健康工具

研究人员旨在构建一个仅用智能手机摄像头和现代人工智能模型的实用筛查流程。他们在伊朗德黑兰的一家儿童医院招募了500名新生儿，使用三处身体部位拍摄图像——面部、腹部和前臂内侧，摄像设备为安装在三脚架上的一部iPhone，拍摄在光线严格控制的房间内进行。每张照片旁都放置了一张带有多种色块的色卡，用以在图像间标准化颜色。几乎同时，每名婴儿接受常规血液检测以测量胆红素；医生用这些数值将婴儿标注为有或没有黄疸，为算法的训练和测试提供了可靠参考。

清理与聚焦图像

在任何人工智能模型看到图片之前，团队对图像进行了细致的清理流程。对焦模糊或构图差的低质量照片被剔除，其余照片以高保真格式保存以保留细微的色彩差异。计算机程序随后以色卡为参考对图像进行校正，增强局部对比以使皮肤色调的微小变化更清晰，并将颜色转换为便于区分皮肤与背景的表示。一项半自动步骤从图像中提取平滑且光照均匀的皮肤区域，并将其裁切为标准化的小方块。为让模型应对自然变异，研究人员还对部分训练图像制作了修改版——轻微旋转、翻转或调亮——但未改变其医学含义。

新型人工智能与旧方法的对比

研究的核心是一种称为视觉变换器的模型，该模型改编自最初用于理解图像中复杂模式的工具。与主要关注像素小邻域的传统卷积神经网络不同，变换器学会对图像中的细节与更广泛的模式同时“注意”。作者训练了这一名为T2T‑ViT的模型，以判断每个皮肤裁块是否来自有黄疸或无黄疸的婴儿。他们将其性能与三种既有方法直接比较：一种流行的深度网络ResNet‑50，以及两种经典机器学习技术——支持向量机和k近邻，这两者依赖简单的颜色统计而非原始图像。在独立测试集上，变换器几乎对每个样本都正确分类，准确率、灵敏度和特异性均约为99%。它明显优于其他方法，后者更容易误判婴儿，尤其在边界性黄疸病例上表现欠佳。

希望与现实挑战

这些结果表明，在受控条件下，智能手机加上训练良好的变换器模型，可以匹配或超过更昂贵的设备，用于识别可能需要更密切监测或治疗的新生儿。该系统足够轻量，可在消费级硬件上运行，所用图像由任何受过训练的护士或技术员即可采集，这使其对繁忙的门诊或资源有限的地区具有吸引力。但作者也强调若干重要注意事项：所有数据来自单一医院、单一手机型号且以伊朗婴儿为主，且专家手动精细选择了要分析的皮肤区域。要在真实世界中应用，还需在更多医院、手机型号、光照条件和不同肤色人群中进行测试，并将更多图像选择步骤实现自动化。

这对新生儿护理可能意味着什么

简言之，研究表明，在先进的人工智能帮助下，手机摄像头对极微小的色彩变化足够敏感，几乎总能判断哪些新生儿存在临床重要的黄疸。如果未来研究在更具多样性的环境中证实这些发现，该方法有望成为一种快速、无痛的“首检”手段，帮助决定哪些婴儿需要抽血或治疗、哪些可以安全出院。对家庭和医护人员而言，这可能意味着更少的抽血、更低的费用，以及最重要的——更早预防可避免的脑损伤。

引用: 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

关键词: 新生儿黄疸, 智能手机筛查, 医学影像人工智能, 视觉变换器, 新生儿健康