论文标题：Image Classification and Automated Machine Learning to Classify Lung Pathologies in Deceased Feedlot Cattle

论文链接：https://www.mdpi.com/2306-7381/10/2/113

期刊名：Veterinary Sciences

期刊主页：https://www.mdpi.com/journal/vetsci

引言

呼吸系统疾病是育肥牛群中导致发病率和死亡率的主要原因之一，其中牛呼吸道疾病综合征（Bovine Respiratory Disease，BRD）和急性间质性肺炎（Acute Interstitial Pneumonia，AIP）长期以来被认为是最常见、危害最大的两类呼吸系统综合征。近年来，研究人员在育肥牛中描述了一种新的肺部病变类型——伴间质型改变的支气管肺炎（Bronchopneumonia with an Interstitial Pattern，BIP），提示部分病例可能在传统分类中被误判。

在生产实践中，尸检是兽医进行死亡原因分析和肺部疾病鉴别诊断的核心手段。然而，受制于牧场地理位置、兽医时间成本及现场条件限制，系统、及时的尸检并非总能实现。随着图像采集和人工智能技术的发展，利用现场拍摄的尸检图像进行远程分析和辅助诊断，逐渐成为一种可行的技术路径。

本研究基于真实育肥牛现场尸检图像，探索将图像分类与自动化机器学习方法应用于肺部病变识别的可行性，为未来现场尸检诊断提供技术支持。

研究内容

本研究收集了美国高平原地区6个育肥场内自然死亡育肥牛的肺脏尸检图像，所有图像均来自右侧肺脏的外观拍摄，共计398张。尸检过程中，由兽医技术人员和兽医共同完成肉眼病变判定，部分病例进一步进行了组织病理学检查，以获得组织学诊断结果。

研究关注的肺部病变类型包括：急性间质性肺炎（AIP）、伴间质型改变的支气管肺炎（BIP）、牛呼吸道疾病（BRD），以及不属于上述三类的其他肺部病变（如栓塞性肺炎或无明显病变）。

在数据处理方面，研究分别构建了四个图像数据集：1）未裁剪图像 + 肉眼诊断标签；2）未裁剪图像 + 组织病理学诊断标签；3）裁剪后图像 + 肉眼诊断标签；4）裁剪后图像 + 组织病理学诊断标签。

图像裁剪通过目标检测模型自动定位肺部区域，以减少背景干扰。所有数据随后被导入自动化机器学习平台，采用多种主流图像分类算法进行训练和测试，包括 MobileNet、ResNet、SE-ResNeXt 以及视觉 Transformer 网络。数据集按 80% 训练、20% 测试进行划分，模型性能通过准确率、灵敏度、特异性和 AUC 等指标进行评估。

图1. 流程图展示了微软Azure平台对原始肺部图像的接收与存储流程。结果显示，不同数据集与模型组合的整体分类准确率处于中等水平。基于肉眼诊断标签的模型平均准确率约为 39%–41%，而基于组织病理学标签的模型准确率略低。就具体病变类型而言，模型对 BIP 和 BRD 的识别灵敏度相对较高，而对 AIP 的识别灵敏度普遍偏低。

结论与意义

研究结果表明，基于尸检图像的自动化机器学习模型在育肥牛肺部疾病分类方面具有一定潜力，尤其在识别 BIP 和 BRD 等具有明显形态特征的病变类型时表现相对稳定。然而，AIP 的诊断高度依赖触感和组织学特征，仅凭图像信息难以准确区分，这在一定程度上限制了模型性能。

此外，现场图像在光照条件、拍摄角度和背景复杂性方面存在较大变异，对模型稳定性造成挑战。研究指出，未来可通过优化图像采集标准、改进模型训练策略及引入更多结构化信息，进一步提升模型的诊断辅助价值。

总体而言，该研究为人工智能技术在兽医尸检领域的应用提供了初步证据，展示了图像分类模型在现场条件下辅助肺部病变识别的可能性。随着技术不断完善，这类方法有望成为兽医进行远程诊断和疾病监测的补充工具。

Veterinary Sciences 期刊介绍

主编：Patrick Butaye, Ghent University, Belgium; City University of Hong Kong, China

发表与兽医科学领域相关的原创研究文章、评论、通讯和简短说明，主题包括动物疾病、紊乱和损伤的预防、诊断和治疗。