编辑推荐：
新生儿高胆红素血症(HB)引发的急性胆红素脑病(ABE)临床诊断困难，常规MRI下ABE与非ABE患儿在特定脑区T1高信号特征相似。为此，研究人员构建了一套基于多模态磁共振图像与卷积神经网络(CNNs)的计算机辅助诊断系统，对150名患儿进行分析。结果显示，融合T1WI、T2WI及ADC图像数据的InceptionV3模型性能最优，准确率达0.9622，AUC为0.9978，F1-score为0.9617。该研究为新生儿ABE的精准、自动诊断提供了高效方案，极具临床转化潜力。
在新生儿重症监护室，高胆红素血症(Hyperbilirubinemia, HB)是困扰医生和家长的常见问题。过高的胆红素可能穿过血脑屏障，攻击新生儿脆弱的大脑神经元，导致急性胆红素脑病(Acute Bilirubin Encephalopathy, ABE)。这种疾病一旦发生，可能引发听力障碍、运动异常甚至严重的永久性神经损伤，如核黄疸。因此，早期、准确地识别ABE患儿，将他们与那些同样存在高胆红素血症但尚未发生脑损伤的“非ABE”新生儿区分开来，是临床抢救神经功能、改善预后的黄金窗口。
然而，这道看似简单的“是”与“非”的判断题，在临床实践中却充满挑战。磁共振成像(Magnetic Resonance Imaging, MRI)是评估脑损伤的关键工具，但一个棘手的现象是：无论是确诊的ABE患儿，还是尚未发生脑病的非ABE患儿，他们的MRI图像在特定脑区（如苍白球、丘脑下核）都可能表现出相似的T1加权图像(T1-weighted Imaging, T1WI)高信号。这团“疑云”使得放射科医生和临床医生单凭肉眼和经验难以做出精准判断，可能导致漏诊或过度治疗。为了拨开这团疑云，实现客观、高效的诊断，一项融合先进影像技术与人工智能的研究应运而生。
该研究旨在开发一套计算机辅助诊断(Computer-aided Diagnosis, CAD)系统，利用多模态MRI图像和深度学习中的卷积神经网络(Convolutional Neural Networks, CNNs)模型，自动、精准地区分ABE与非ABE新生儿，为临床决策提供强有力的定量化支持。这项研究最终发表在《Scientific Reports》期刊上。
研究人员采用了多种关键技术来构建和验证他们的CAD系统。首先，他们建立了一个包含150名住院新生儿的队列，其中75名为ABE患儿，另外75名为非ABE的高胆红素血症患儿作为对照。所有患儿均接受了3特斯拉场强的全脑MRI扫描，获取了三种关键的影像模态：T1加权图像(T1WI)、T2加权图像(T2WI)和表观扩散系数图(Apparent Diffusion Coefficient map, ADC)。在模型构建上，研究采用了两种先进的CNN架构——EfficientNetB0和InceptionV3，分别对这些单模态及多模态融合后的图像进行训练和测试。同时，研究还将支持向量机(Support Vector Machine, SVM)这一传统的机器学习方法作为性能对比的基线模型，以凸显深度学习模型在处理复杂医学图像中的优势。
研究结果
1. 多模态影像融合显著提升诊断性能
研究系统比较了使用单一模态影像（T1WI、T2WI或ADC）与多模态影像组合（如T1WI+T2WI、T1WI+ADC、T2WI+ADC以及三者融合）作为模型输入时的诊断效能。结果一致表明，无论使用哪种分类模型（SVM、EfficientNetB0或InceptionV3），融合了多种影像特征的模型，其各项评估指标（包括准确率、AUC值和F1分数）均显著优于仅依赖任何一种单一模态图像的模型。这证实了T1WI、T2WI和ADC三种模态提供了互补的病理生理信息，它们的结合能够更全面地表征脑组织的状态，从而为神经网络提供更丰富的判别依据。
2. 深度学习模型全面超越传统机器学习方法
将两种CNN模型（EfficientNetB0和InceptionV3）与传统的SVM模型进行对比发现，在绝大多数实验设置下，两种深度学习模型的性能都明显优于SVM。SVM作为基于手工设计特征的浅层模型，在捕捉MRI图像中复杂、细微的病变模式时能力有限。而CNN能够自动从海量像素数据中学习并提取更深层、更本质的特征，从而实现了更优越的分类判别能力。
3. InceptionV3模型结合三模态融合达到最佳诊断水平
在所有的模型与数据组合中，InceptionV3网络架构在以T1WI、T2WI和ADC三者融合图像作为输入时，取得了最佳的诊断性能。其具体指标为：准确率达到0.9622，受试者工作特征曲线下面积(AUC)高达0.9978，F1分数为0.9617。这意味着该模型能够以极高的灵敏度和特异度将ABE患儿与非ABE患儿区分开来，几乎达到了近乎完美的鉴别诊断水平。InceptionV3模型内部的多尺度并行卷积结构，可能使其特别擅长整合和处理来自不同MRI序列的、尺度各异的特征信息。
研究结论与讨论
本研究成功开发并验证了一套基于多模态MRI和卷积神经网络的计算机辅助诊断系统，用于新生儿急性胆红素脑病的自动化诊断。研究得出以下核心结论：
首先，多模态MRI影像（T1WI、T2WI、ADC）的融合利用是提升ABE诊断准确性的关键。单一的T1WI高信号特异性不足，而结合反映组织弛豫特性、水分子扩散等不同物理原理的影像信息，能为模型提供更可靠的生物物理学证据。
其次，深度学习模型，特别是复杂的CNN架构如InceptionV3，在处理此类复杂的医学图像分类任务上，显著优于依赖于人工特征工程的传统机器学习方法（如SVM）。这凸显了人工智能在挖掘人眼难以察觉的影像模式方面的巨大潜力。
最终，本研究构建的CAD系统展现出了卓越的诊断性能（准确率>96%，AUC>0.99），为解决ABE临床诊断难题提供了一个高度客观、可量化且高效的解决方案。其重要意义在于：
- 1.
提升诊断精度与一致性：该系统能够减少因医生经验差异和图像判读主观性带来的误诊和漏诊，为ABE的早期识别提供稳定可靠的辅助工具。
- 2.
优化临床决策与治疗时机：快速、准确的自动化诊断有助于临床医生更早地确认ABE，从而及时启动或强化干预措施（如换血疗法），最大程度地避免不可逆的神经损伤，改善患儿长期预后。
- 3.
推动临床实践智能化：该研究是人工智能与多模态医学影像融合应用于儿科神经疾病精准诊断的一次成功探索。它不仅为ABE的诊断设立了新的性能标杆，其研究范式（多模态数据融合+深度学习）也具有可扩展性，为其他表现为细微或复杂影像学改变的神经系统疾病的智能辅助诊断提供了有价值的参考。
尽管该研究在回顾性数据上取得了优异成果，但作者在讨论中也指出，未来需要通过更大规模、多中心的前瞻性临床研究来进一步验证该系统的泛化能力和鲁棒性，并探索其与医院影像归档和通信系统(Picture Archiving and Communication System, PACS)无缝集成的可行性，以最终实现从实验室算法到临床常规工具的转化，真正惠及广大新生儿。
