Skip to content

计算机视觉与深度学习在小动物细胞学与玻片审阅中的应用

Candice P. Chu, DVM, PhD

关键词

人工智能素养 · 计算机视觉 · 卷积神经网络 · 细胞学 · 深度学习 · 血液学 · 机器学习 · 立场声明

核心要点

• 细胞学是兽医学中常用的诊断方法,但玻片审阅耗时且存在局限性,观察者间重现性/一致性可能因任务、病变类型和诊断经验而不同。人工智能(artificial intelligence, AI)的发展,特别是计算机视觉(computer vision, CV),可进一步加速工作流程,并可能减少观察者间差异和误诊。

• 本综述介绍计算机视觉及其在小动物细胞学和玻片审阅中的应用,涵盖最新研究、商业产品、监管考量、教育需求和当前关切。

• 计算机视觉使计算机能够解释、理解和分析视觉数据,卷积神经网络(convolutional neural network, CNN)算法常用于分析图像和视频内容,执行图像级分类、目标检测以及语义和实例分割等任务。

• 截至 2025 年发表的小动物玻片审阅 AI 研究中(n = 10),超过半数聚焦于犬血涂片,多数使用 RetinaNet 和不同版本的 YOLO(You Only Look Once)等 CNN 算法;即使对于相同类型的 CV 任务,性能指标也存在差异。

• 计算机视觉工具在兽医学中的应用面临三大挑战:AI 使用缺乏监管、商业产品缺乏透明度、教育培训不足。兽医师绝不应假定 AI 输出准确,任何医疗决策都应基于专业知识。

缩略词表

缩写 全称
AAVSB 美国兽医州委员会协会(American Association of Veterinary State Boards)
ACVIM 美国兽医内科学院(American College of Veterinary Internal Medicine)
ACVP 美国兽医病理学家学院(American College of Veterinary Pathologists)
ACVR 美国兽医放射学学院(American College of Veterinary Radiology)
AI 人工智能(artificial intelligence)
ASVCP 美国兽医临床病理学会(American Society for Veterinary Clinical Pathology)
BVA 英国兽医协会(British Veterinary Association)
CNN 卷积神经网络(convolutional neural network)
CV 计算机视觉(computer vision)
CVO 安大略兽医师学院(College of Veterinarians of Ontario)
ECVDI 欧洲兽医诊断影像学院(European College of Veterinary Diagnostic Imaging)
FDA 食品药品监督管理局(Food and Drug Administration)
ML 机器学习(machine learning)
YOLO 你只看一次(You Only Look Once)

引言

细胞学因成本低、微创、且与组织活检相比处理时间较短,是兽医学中常用的诊断方法。传统的玻片审阅流程如下:兽医从业者进行静脉穿刺采血,或使用细针穿刺、压片和胶带制备法从组织采集细胞,制备血液或细胞学涂片,用院内水性罗曼诺夫斯基染液(如 Diff-Quik)染色其中一张玻片,然后将染色和未染色的玻璃玻片送至诊断实验室进行甲醇基罗曼诺夫斯基染色(如 Wright 或 Giemsa 染色)。在诊断实验室中,经过 3 年住院医师培训的委员会认证专科兽医临床病理学家进行玻片评估。随着数字细胞学的发展,这种评估可通过光学显微镜或扫描数字玻片审阅来完成[1]。在两种方式中,细胞学家都会检查样本质量、细胞类型、细胞形态和感染因子的存在,以得出最终判读并出具报告。

血涂片或细胞学玻片评估耗时且存在局限性。多项研究考察了涂片审阅中的观察者内和观察者间重现性与一致性,这些指标可能因任务、病变类型和诊断经验而不同[2–7]。人工智能的进展,特别是计算机视觉领域,可能进一步加速工作流程,并可能减少观察者间差异和误诊。本综述为兽医细胞学家、执业兽医师和兽医学生提供计算机视觉基础介绍,及其在小动物细胞学(包括血涂片检查)中的应用,涵盖最新研究、商业产品、监管考量、教育需求和当前关切。

兽医细胞学计算机视觉基础

简而言之,人工智能指计算机通过执行学习、推理、问题解决、感知和语言理解等任务来模拟人类智能的能力。在人工智能的大范畴下,机器学习(machine learning, ML)指计算机从大量数据中学习而无需依赖基于规则的指令的能力。深度学习是机器学习的一个子领域,利用不同的模型架构,包括人工神经网络、卷积神经网络、循环神经网络和 Transformer[8]。希望了解不同神经网络基本概述的读者,建议阅读 Neal 及其同事关于兽医临床病理学中人工智能的综述。

本综述聚焦于计算机视觉——人工智能中的一个专门应用领域,其定义是对视觉数据的分析,而非某一类特定算法。人工智能和机器学习涵盖适用于多种数据模态的方法,而计算机视觉专门将这些方法应用于图像和视频。在兽医学中,计算机视觉代表了人工智能的主要实际应用之一,已在放射学和病理学中得到最广泛的采用。计算机视觉算法可分析 X 线片[9]、细胞学涂片[10]和病理切片,以计数细胞和有丝分裂象、检测异常并辅助诊断[11,12]。

CNN 算法是常见计算机视觉任务中最常用的模型架构,如图像级分类、目标检测以及语义和实例分割[13]。这些任务在细节程度上各不相同,从宽泛的图像级标签到精确的像素级描绘,任务的选择取决于所解决的具体诊断或研究问题(图 1)。图像级分类将整张图像归入预定义类别之一。例如,Pacholec 及其同事评估了 14 个 CNN 模型将 600 张犬淋巴结细胞学图像分类为犬大细胞淋巴瘤和非淋巴瘤两类的性能,发现以高倍镜(1000×)图像训练的模型诊断性能最高,而图像彩色与灰度的影响极小,模型性能在每类约 150 张图像时趋于平台期[10]。目标检测使用边界框定位图像中的不同对象(即细胞),并将其分类为预定义类别。例如,Bertram 及其同事使用 CNN 算法 RetinaNet 对 52 张全切片图像中的 218,003 个巨噬细胞进行检测并分级含铁血黄素,证明在马运动诱发性肺出血的细胞学评分中,自动化方法与人类专家相比具有更高的诊断准确性和显著改善的重现性[14]。然而,目标检测模型仅限于细胞定位。对于需要描绘细胞边界的研究问题,语义分割模型可以解决像素级分类问题,实现细胞与背景之间的详细分离。在 Wulcan 及其同事的研究中,他们使用语义分割将组织病理学切片中的像素分类为不同的肠道层,如上皮、固有层、肠腔等[11]。然而,标准语义分割任务不对细胞进行分类。如果任务涉及描绘和分类每个细胞,则称为实例分割。相应地,在同一研究中,Wulcan 及其同事还使用实例分割识别淋巴细胞核边界[11]。有关计算机视觉任务及其性能指标的更多详情,建议读者查阅 Pacholec 及其同事[15]和 Maier-Hein 及其同事[13]的文章。后者还提供了一个在线图像分析研究指标选择工具,网址为 https://metricsreloaded.dkfz.de/。

图 1 细胞图像分析常用计算机视觉任务概览(图像级分类、目标检测、语义分割和实例分割),从左到右细节程度递增。

科学进展与发表指南

在人类细胞学中,计算机视觉最常应用于妇科细胞学[16,17]、宫颈癌[18,19]、尿沉渣[20]和积液细胞学[21]。为全面讨论计算机视觉在小动物细胞学(包括血涂片检查)中的研究进展,对截至 2025 年 12 月 31 日的所有文章进行了 PubMed 检索。检索涵盖标题或摘要中包含以下关键词(布尔逻辑)的文章:"(cytology[Title/Abstract] OR cytologic[Title/Abstract] OR blood smear[Title/Abstract] OR blood smears[Title/Abstract] OR blood cell[Title/Abstract]) AND (deep learning[Title/Abstract] OR convolutional neural network[Title/Abstract] OR artificial intelligence[Title/Abstract]) AND (canine[Title/Abstract] OR dogs[Title/Abstract] OR feline[Title/Abstract] OR cats[Title/Abstract] OR veterinary[Title/Abstract] OR veterinarian[Title/Abstract])"。在 Google Scholar 中应用了相同的检索逻辑,但不限于标题和摘要。在排除预印本、综述、非小动物、非玻片评估和非兽医研究后,确定了 10 篇文章进行讨论。表 1 概述了这些论文。

超过半数的研究聚焦于犬血涂片,旨在计数和分类血细胞[24,27]、定位血液寄生虫[22,28]以及识别红细胞形态[29,30]。大多数研究使用 CNN 算法,如 RetinaNet 和不同版本的 YOLO(You Only Look Once),这些算法常用于此类任务[31,32]。在这些研究中,即使对于相同类型的计算机视觉任务,也使用了不同的性能指标来评估模型性能。

在兽医学中,人们正在持续努力提高基于人工智能的自动化图像分析的透明度和可重现性。Bertram 及其同事为《Veterinary Pathology》提出了基于人工智能的自动化图像分析报告指南[33]。该指南在补充材料中提供了一份 9 项清单,鼓励研究者报告详细的材料和方法,包括图像获取/处理/标注信息、模型训练和验证的数据划分以及模型性能评估。另一方面,Pacholec 及其同事强调了人工智能工具外部验证的重要性[34]。校准、不确定性、运行时监控、鲁棒性、可重复性和泛化性等因素,在上述一些研究中可能缺失,因为这些往往是早期的概念验证研究。建议执业兽医师优先采用附有科学出版物的人工智能工具。以下关于监管考量和产业应用的章节提供了实用指导,帮助从业者对人工智能工具做出明智的购买决策。

表 1 截至 2025 年发表的小动物玻片评估计算机视觉研究概览(n = 10)

作者,年份 物种 生物样本 标注图像/细胞数 神经网络 算法 任务 性能指标
Baruah 等[22],2025 犬 血涂片 1066 张图像 CNN 比较 ResNet、EfficientNet 和 DenseNet 图像级分类 准确率、精确率、召回率、F1 分数、特异性、敏感性
Caputa 等[23],2024 犬ᵃ 未指定组织切片 1192 张图像 Transformer、CNN 超分辨率模型:SwinIR、BSRGAN、RealSRGAN;CNN 模型:带 ResNeSt101 的 Cascade Mask R-CNN 语义分割 平均精确率、平均召回率、mAP
Jeong 等[24],2024 犬 血涂片 486 张图像(18,542 个裁剪白细胞,46,612 个增强白细胞) CNN 检测:YOLO-v8、RetinaNet、Faster-RCNN、YOLO-v5;分类:DenseNet、VGG、ViT、ResNet 目标检测 精确率、召回率、F1 分数、mAP
Lapsina 等[25],2024 犬 脑脊液玻片 62 张全切片(约 6200 个细胞) 未指定 未指定深度学习神经网络算法 目标检测 Spearman 秩相关系数、Passing-Bablok 回归、Bland-Altman 图
Marzahl 等[26],2022 猫 支气管肺泡灌洗液玻片 7 张全切片(20,198 个细胞) CNN RetinaNet 目标检测 mAP
Morissette 等[27],2024 犬和猫 血涂片 119 张全切片(A 阶段)、161 张(B 阶段)、59 张(C 阶段) CNN YOLOv3 目标检测 平均精确率、特异性、敏感性、精确率-召回率曲线下面积、Passing-Bablok 回归
Nejad 等[28],2022 犬 血涂片 175 张图像 CNN U-Net 语义分割、图像级分类 准确率、敏感性、特异性、AUC-ROC
Pacholec 等[10],2025 犬 淋巴结细胞学玻片 600 张图像 CNN Inception-v3 图像级分类 准确率、精确率、召回率、AUC-ROC、F1 分数、真阳性、假阳性、精确率-召回率曲线下面积
Pasupa 等[29],2020 犬 血涂片 3392 张含单个红细胞的图像 半深度卷积 GAN、CNN 未指定 图像级分类 准确率
Pasupa 等[30],2020ᵇ 犬 血涂片 3392 张含单个红细胞的图像 CNN ResNet、DenseNet 图像级分类 准确率、F1 分数、AUC-ROC

缩写:AUC-ROC 接受者操作特征曲线下面积;GAN 生成式对抗网络;mAP 平均精确率;RBC 红细胞;WSI 全切片图像。

监管考量

在人类医学中,美国食品药品监督管理局(FDA)已对人工智能驱动的医疗器械实施上市前要求[35]。其最终指南于 2024 年 12 月发布,并于 2025 年 8 月 18 日更新[36]。目前,北美兽医学中尚无针对人工智能驱动设备的上市前要求。然而,许多兽医专业组织已发布立场或政策声明,以应对人工智能工具的发展和负责任使用(表 2)。

几乎所有专业组织都认识到监管机构亟需制定兽医人工智能工具指南[37–42,44]。针对缺乏集中监管的状况,美国兽医州委员会协会(AAVSB)和加拿大兽医医学协会指出,使用人工智能工具的兽医从业者必须了解,FDA 批准的人类人工智能设备不涵盖动物使用[37,43]。加州兽医医学协会支持将现有人类 FDA 法规应用于兽医学[40]。此外,美国兽医放射学学院(ACVR)、欧洲兽医诊断影像学院(ECVDI)、加拿大兽医医学协会和英国兽医协会(BVA)都提醒兽医用户,人工智能工具所做决策的法律责任尚未确定,但很可能落在兽医师而非开发者身上[37,38,43,44]。

表 2 兽医组织发布的人工智能立场或政策声明清单(n = 9)

组织 年份 标题 关于兽医人工智能工具使用的描述
美国
美国兽医州委员会协会(AAVSB) 2025 年 3 月 兽医学中人工智能使用的监管考量[37] 强调持牌者必须了解 AI 风险和局限性,保持透明度,保护客户数据隐私,获得知情同意,并遵守其管辖区的《兽医执业法》。
美国兽医放射学学院(ACVR)与欧洲兽医诊断影像学院(ECVDI) 2025 年 3 月 ACVR 与 ECVDI 人工智能立场声明[38] 聚焦兽医诊断影像和放射肿瘤学中的 AI。声明"目前没有市售的兽医诊断影像 AI 产品达到透明度、验证或安全的要求标准"。呼吁在采用前进行同行评审研究和第三方评估。
佐治亚兽医医学协会(GVMA) 2024 年 11 月 政策声明:兽医学中 AI 的使用[39] 将 AI 技术描述为可在兽医领域提供支持,但声明现有技术不能替代专业判断、全谱系照护建议、人-动物纽带评估或同理心。强调 AI 工具不得在未经明确同意的情况下将客户信息或病历暴露给基础模型或大语言模型。
加州兽医医学协会(CVMA) 2024 年 7 月 CVMA 关于兽医学中人工智能使用的政策[40] 认识到 AI 技术可为兽医师提供支持,但声明现有技术不能替代专业判断和临床专业知识。支持将 FDA 法规(已在人类医学中使用)应用于兽医 AI,并列出了错误诊断/治疗、数据安全、来源偏倚和技能退化等关切。
加拿大
安大略兽医师学院(CVO) 2024 年 12 月 兽医学实践中人工智能驱动的医疗器械的使用[41] CVO 早期立场声明[42]的配套指南。指出尚无动物保健医疗器械获得加拿大卫生部等监管机构的监督或批准。
安大略兽医师学院(CVO) 2024 年 3 月 拥抱兽医学的创新与数字时代[42] 定义"作为医疗器械的软件(SaMD):旨在用于一种或多种医疗目的且在不成为硬件医疗器械一部分的情况下执行这些目的的软件(如移动应用)"。强调缺乏政府对这些技术工具的监管监督,并强调从业者在选择和整合这些工具时的问责制。
加拿大兽医医学协会(CVMA) 2023 年 10 月 兽医学中的人工智能[43] 指出 AI 应用在兽医学中迅速扩展,用途广泛,包括许多从人类医学改编而来的应用。警告说,由于加拿大缺乏监管监督,商用兽医诊断 AI 系统可能在几乎没有或没有支持证据的情况下推向市场。
英国
英国兽医协会(BVA) 2026 年 1 月 BVA 关于兽医职业中人工智能的政策立场[44] 将 AI 广泛描述为兽医职业中的一项重要新兴技术,涵盖临床实践(包括诊断)、教育、研究、流行病学、政府、行政任务和诊所管理。将 AI 定位为支持兽医专业人员的工具,而非替代他们。
皇家兽医学院(RCVS) 2024 年 5 月 RCVS 人工智能圆桌会议报告[45] 涵盖临床实践中的 AI 使用、兽医数据、高等教育和监管风险管理。旨在为兽医职业内部的 AI 监管确立初步方向。

因此,人们必须问:开发、选择和使用兽医细胞学人工智能工具的最佳实践是什么?虽然美国兽医病理学家学院(ACVP)和美国兽医临床病理学会(ASVCP)尚未发布关于人工智能的立场或政策声明,但其他专业组织的类似文件可能提供一些指导。对于人工智能开发者,ACVR 和 ECVDI 支持遵循良好机器学习实践[46]和机器学习设备透明度[47]的人工智能开发;他们指出,不遵循这些原则的人工智能系统不应在兽医实践中使用[38]。此外,强烈建议发表证明人工智能系统临床效用的同行评审出版物,因为它们对于建立信任至关重要[38]。

产业应用

数字细胞学服务的发展[1]——无论是通过手机拍摄图像还是院内扫描仪——已实现更快的报告时间,部分选项可在数小时内获得病理学家结果[48–50]。与此同时,一些诊断公司已开始采用人工智能技术以进一步缩短周转时间。在主要诊断公司中,一家公司在其数字细胞学网站上未提及人工智能[50]。另一家公司使用人工智能识别玻片并推荐感兴趣的评估区域,但明确声明人工智能不解释玻片上的细胞[48]。一家公司提供人工智能淋巴瘤检测,并声明每个结果都由委员会认证的兽医临床病理学家审核[51]。另一家公司提供用于尿沉渣、皮肤科(耳细胞学)、寄生虫学(粪便细胞学)、血涂片以及常见淋巴结和皮肤/皮下肿块细胞学的人工智能应用[52]。送检者可选择人工智能读数或病理学家读数。对于人工智能读数,其一页纸产品和医院资源指南指出,数字玻片图像可根据需要另行发送给临床病理学家,需额外付费,这表明初始人工智能结果更便宜且未经监督[53]。值得注意的是,没有引用同行评审出版物来支持这些人工智能产品的临床性能[51,52]。兽医临床病理学家拥有评估和验证传统诊断测试的专业技能[54]。因此,人工智能驱动的诊断工具应接受透明度和验证标准,其输出应在适当的专业监督框架内进行解释。

对于人工智能驱动的设备,兽医从业者应了解拟议功能、对兽医实践的益处、模型训练人群、输出、潜在偏倚、定期系统更新和数据隐私[37,41,44]。当人工智能工具未被完全理解时,使用它们做出诊断决策可能导致高风险场景[55]。一般而言,决策过程中人类参与越少,风险越大(参见 AAVSB 提供的示例)[37]。安大略兽医师学院(CVO)和 BVA 提供了购买决策时向供应商询问的问题清单[41,44]。美国兽医内科学院(ACVIM)人工智能特别工作组还提供了一份 12 项人工智能验证因素清单,帮助临床医生和研究者评估人工智能应用[56]。此外,兽医师应向客户披露人工智能的使用,提供替代的非人工智能选项,获得知情同意,并在病历中记录人工智能的使用[37–39]。最终,兽医师绝不应假定人工智能输出准确,任何医疗决策都应基于其专业知识[37,39,44]。

人工智能素养与继续教育

目前,人类医学病理学培训项目对人工智能的重视相对较少[55]。兽医学也是如此。然而,在采用人工智能工具的决策方面,兽医师需要具备基本的人工智能素养,以便向供应商询问模型测试、训练和性能[41]。专业组织还强调了兽医学生基础人工智能教育和执业兽医师继续教育的重要性,特别强调临床性能的验证和评估以及新兴人工智能技术的风险和益处[38–40,44]。

在全美 31 所美国兽医医学协会认证的兽医学院中,只有少数提供人工智能课程,包括威斯康星大学麦迪逊分校、奥本大学、堪萨斯州立大学和德州农工大学。威斯康星大学麦迪逊分校为四年级兽医学生提供为期 2 周的轮转课程,名为"兽医学与生命科学中的人工智能"[57]。在奥本大学,一学分的"照护谱系系列:新兴技术"课程重点关注人工智能应用的风险、益处和局限性[58]。堪萨斯州立大学开设一学分的"兽医学中的人工智能"课程,涵盖机器学习、人工智能应用、数据科学以及伦理和法律考量[59]。最近,德州农工大学为二年级兽医学生开设一学分的选修课"下一代兽医师的人工智能与数字工具"[60]。该课程涵盖人工智能基础、机器学习模型训练与验证、大语言模型与提示工程简介、人工智能政策与立场声明概述、当前人工智能在兽医研究和临床护理中的应用概述、法律与伦理问题,以及使用细胞学图像进行的实践计算机视觉练习和构建人工智能聊天机器人[61]。预计随着需求增加,更多兽医学院将提供人工智能课程,并最终成为必修课程的一部分。

人工智能的发展对病理学家和放射科医师产生了重大影响[62]。对于病理学培训人员和病理学家,ACVP 病理学信息学委员会创建了免费下载的"病理学信息学课程模板与自学指南"[63]。该学习指南包括推荐读物和视频,以建立对兽医病理学中计算机视觉的基本理解。对于兽医放射科医师,ACVR 的人工智能页面还为其专科医师和培训人员提供人工智能 101 文章和视频[64]。从另一个角度来看,ACVIM 还开设了一门按需课程,名为"我如何使用人工智能和数字工具简化学术写作",旨在指导科学出版物中人工智能的高效和伦理使用[65]。

技能退化与被人工智能替代的担忧

除了人工智能模型的一般问题(如训练数据集、准确性、偏倚和安全性)外,兽医临床病理学家可能还会担心技能退化。人类医学的早期研究表明,人工智能辅助可提高病理学家在前列腺活检 Gleason 分级[66]和胃癌[67]中的诊断准确性。同时,有人推测过度依赖人工智能可能阻碍新人类病理学家的培训,或导致专家技能丧失[55,68]。人类医学的一项近期研究评估了人工智能生成诊断(带置信度分数)对病理学家诊断准确性的影响。Bellahsen-Harrar 及其同事发现,人工智能辅助的病理学家在高级别异型增生和浸润性癌的喉部活检中,观察者间一致性得到改善,准确性更高。他们还指出,经验较少的病理学家可能会过度依赖人工智能,因为他们未能考虑低置信度分数,导致误诊。虽然专科病理学家也根据人工智能的预测误诊了一些病例,但他们的误诊对临床结局的负面影响往往低于非专科同事[69]。

病理学家的另一个潜在担忧是被人工智能取代的恐惧。在人类医学中,2022 年对英国 41 名肝脏病理学家的调查显示,37% 的人从中立到强烈同意人工智能将在未来取代病理学家[70]。在 2025 年对美国细胞技术学会 215 名细胞学家的调查中,约 25% 和 14% 的受访者分别担心人工智能和数字病理学可能部分或完全取代他们的工作[71]。在兽医病理学中,在 2025 年新奥尔良 ACVP 年会上的病理学信息学研讨会:使用机器学习的自动化图像分析及相关人工智能分会场向与会者分享的初步调查显示,对人工智能直接取代的担忧存在但不占主导地位,大多数受访者将人工智能视为增强而非替代病理学家角色的工具。同一调查已发送给 ACVP 成员,以从兽医病理学群体中得出有代表性的结论。

总结

人工智能有潜力缩短周转时间、提高诊断准确性、减少观察者间差异,并辅助病理学家完成重复性任务。人类医学的这些进展很可能同样适用于兽医学,尽管人工智能在兽医细胞学中的应用仍处于起步阶段。计算机视觉工具在兽医学中的应用面临 4 大挑战:缺乏用于基准测试的开放数据库、缺乏集中监管、商业产品缺乏透明度以及教育培训不足。专业组织,如 ACVP 和 ASVCP,在理解和解决兽医病理学家对人工智能和计算机视觉的关切和需求方面发挥着关键作用。通过提供官方文件,包括立场声明、最佳实践指南和住院医师人工智能能力培训,兽医病理学家将更容易应对这项快速发展的技术。

临床要点

• 人工智能素养,包括对人工智能和机器学习的基本理解,是兽医学生和执业兽医师的必备知识。

• 建议从业者优先采用附有科学出版物的人工智能工具,特别是那些遵循基于人工智能的自动化图像分析报告指南的工具。

• 向人工智能工具供应商提出的关键问题可在 CVO 和 BVA 发布的人工智能政策声明以及 ACVIM 人工智能特别工作组提出的人工智能验证因素中找到。

写作过程中人工智能及人工智能辅助技术声明

在准备本著作期间,作者使用 Grammarly 和 ChatGPT 5.2 来检查语法和提供词汇建议,使用 Claude Opus 4.6 来生成图 1 的可编辑 PowerPoint 初稿。使用该工具/服务后,作者根据需要审阅和编辑了内容,并对出版物内容承担全部责任。

致谢

特别感谢 Mary Nabity 博士、Yumi Chang 博士、Avery Huang 博士、Franklin Kao 先生和 Chih-Chuan Hsu 先生对文稿的校对和建议反馈。

利益披露

作者是 IDEXX InVue Dx 细胞分析仪顾问委员会成员,该分析仪采用人工智能生成诊断信息。

参考文献

1. Piccione J, Anderson SF, Neal SV, Varvil MS. Digital pathology in veterinary clinical pathology: A review. Vet Pathol 2025;62(5):631–45. 2. Paltrinieri S, Paciletti V, Zambarbieri J. Analytical variability of estimated platelet counts on canine blood smears. Vet Clin Pathol 2018;47(2):197–204. 3. De Vos S, Broeckx BJG, Cian F, et al. When assessing representative images of fine-needle aspirate cytological smears of canine mast cell tumours, interobserver agreement is influenced by educational attainment. J Small Anim Pract 2025;66(10):739–46. 4. Bonsembiante F, Martini V, Bonfanti U, et al. Cytomorphological description and intra-observer agreement in whole slide imaging for canine lymphoma. Vet J 2018;236:96–101. 5. Budach SC, Mueller RS. Reproducibility of a semiquantitative method to assess cutaneous cytology. Vet Dermatol 2012;23(5):426-e80. 6. Udenberg TJ, Griffin CE, Rosenkrantz WS, et al. Reproducibility of a quantitative cutaneous cytological technique. Vet Dermatol 2014;25(5):435-e67. 7. Cohen M, Bohling MW, Wright JC, et al. Evaluation of sensitivity and specificity of cytologic examination: 269 cases (1999–2000). J Am Vet Med Assoc 2003;222(7):964–7. 8. Neal SV, Rudmann DG, Corps KN. Artificial intelligence in veterinary clinical pathology—an introduction and review. Vet Clin Pathol 2025;54:S13–29. 9. Canejo-Teixeira R, Carvalho M, Semiao-Teixeira G, et al. A pilot study on using an artificial intelligence algorithm to identify urolith composition through abdominal radiographs in the dog. Vet Radiol Ultrasound 2025;66(2):e70012. 10. Pacholec C, Xie H, Curnin J, et al. Impact of magnification, image type, and number on convolutional neural network performance in differentiating canine large cell lymphoma from non-lymphoma via lymph node cytology. Vet Clin Pathol 2025;54(Suppl 2):S82–94. 11. Wulcan JM, Giaretta PR, Fingerhood S, et al. Artificial intelligence-based quantification of lymphocytes in feline small intestinal biopsies. Vet Pathol 2025;62(2):139–51. 12. Bertram CA, Aubreville M, Gurtner C, et al. Computerized calculation of mitotic count distribution in canine cutaneous mast cell tumor sections: mitotic count is area dependent. Vet Pathol 2020;57(2):214–26. 13. Maier-Hein L, Reinke A, Godau P, et al. Metrics reloaded: recommendations for image analysis validation. Nat Methods 2024;21(2):195–212. 14. Bertram CA, Marzahl C, Bartel A, et al. Cytologic scoring of equine exercise-induced pulmonary hemorrhage: performance of human experts and a deep learning-based algorithm. Vet Pathol 2023;60(1):75–85. 15. Pacholec C, Flatland B, Xie H, Zimmerman K. Harnessing artificial intelligence for enhanced veterinary diagnostics: a look to quality assurance, Part I model development. Vet Clin Pathol 2025;54(Suppl 2):S30–42. 16. Chong Y, Bychkov A. Commercially available artificial intelligence solutions for gynaecologic cytology screening and their integration into clinical workflow. Cytopathology 2026;37(1):24–44. 17. Harinath L, Bai X, Minkowitz J, et al. Artificial intelligence in gynecologic cytology. Acta Cytol 2026;70(1):52–71. 18. Slabaugh G, Beltran L, Rizvi H, et al. Applications of machine and deep learning to thyroid cytology and histopathology: a review. Front Oncol 2023;13:958310. 19. Giansanti D, Lastrucci A, Pirrera A, et al. AI in cervical cancer cytology diagnostics: a narrative review of cutting-edge studies. Bioengineering 2025;12(7):769. 20. Li J, Chong TW, Fong KY, et al. Will artificial intelligence (AI) replace cytopathologists: a scoping review of current applications and evidence of A.I. in urine cytology. World J Urol 2025;43(1):200. 21. Kim D, Sundling KE, Virk R, et al. Digital cytology part 2: artificial intelligence in cytology: a concept paper with review and recommendations from the American Society of Cytopathology Digital Cytology Task Force. J Am Soc Cytopathol 2024;13(2):97–110. 22. Baruah DK, Boruah K, Barman NN, et al. Automated detection of canine babesia parasite in blood smear images using deep learning and contrastive learning techniques. Parasitologia 2025;5(2):23. 23. Caputa J, Wielgosz M, Lukasik D, et al. Using super-resolution for enhancing visual perception and segmentation performance in veterinary cytology. Life 2024;14(3):321. 24. Jeong K, Kim M, Cho G, et al. A two-stage AI framework to detect and classify white blood cells for supporting diseases diagnosis in veterinary medicine. 2024 IEEE International Conference on Bioinformatics and Biomedicine (BIBM); 2024. p. 4436–43. 25. Lapsina S, Riond B, Hofmann-Lehmann R, et al. Canine cerebrospinal fluid analysis using two new automated techniques: the sysmex XN-V body fluid mode and an artificial-intelligence-based algorithm. Animals 2024;14(11):1655. 26. Marzahl C, Hill J, Stayt J, et al. Inter-species cell detection - datasets on pulmonary hemosiderophages in equine, human and feline specimens. Sci Data 2022;9(1):269. 27. Morissette E, Penn CD, Sedlak RA, et al. Point-of-care platform integrated with deep-learning, convolutional neural network algorithms effectively evaluates canine and feline peripheral blood smears. Am J Vet Res 2025;86(2):1–11. 28. Nejad SB, Hashemi N, Hasanpour E, et al. Deep learning-based diagnosis of Dirofilaria immitis microfilariae in dog blood. In: 2022 29th national and 7th international Iranian conference on biomedical engineering. ICBME; 2022. p. 205–9. 29. Pasupa K, Tungjitnob S, Vatathanavaro S. Semi-supervised learning with deep convolutional generative adversarial networks for canine red blood cells morphology classification. Multimed Tool Appl 2020;79(45):34209–26. 30. Pasupa K, Vatathanavaro S, Tungjitnob S. Convolutional neural networks based focal loss for class imbalance problem: a case study of canine red blood cells morphology classification. J Ambient Intell Hum Comput 2023;14(11):15259–75. 31. Sazak H, Kotan M. Automated blood cell detection and classification in microscopic images using YOLOV11 and optimized weights. Diagnostics 2025;15(1):22. 32. Dralus G, Mazur D, Czmil A. Automatic detection and counting of blood cells in smear images using retinanet. Entropy 2021;23(11):1522. 33. Bertram CA, Schutten M, Ressel L, et al. Reporting guidelines for manuscripts that use artificial intelligence–based automated image analysis in veterinary pathology. Vet Pathol 2025;62(5):615–7. 34. Pacholec C, Flatland B, Xie H, et al. Harnessing artificial intelligence for enhanced veterinary diagnostics: a look to quality assurance, part II external validation. Vet Clin Pathol 2024;00:1–13. 35. U.S. Food and Drug Administration. Artificial intelligence-enabled medical devices. 2025. Available at: https://www.fda.gov/medical-devices/software-medical-devicesamd/artificial-intelligence-enabled-medical-devices. Accessed January 1, 2026. 36. U.S. Food and Drug Administration. Marketing submission recommendations for a predetermined change control plan for artificial intelligence-enabled device software functions. 2025. Available at: https://www.fda.gov/regulatory-information/search-fda-guidance-documents/marketing-submission-recommendations-predetermined-change-control-plan-artificial-intelligence. Accessed January 1, 2026. 37. American Association of Veterinary State Boards. AAVSB releases considerations for the use of AI in veterinary medicine. 2025. Available at: https://www.aavsb.org/news/aavsb-releases-guidance-for-the-use-of-ai-in-veterinary-medicine/. Accessed December 31, 2025. 38. Appleby RB, Difazio M, Cassel N, et al. American College of Veterinary Radiology and European College of Veterinary Diagnostic Imaging position statement on artificial intelligence. J Am Vet Med Assoc 2025;263(6):773–6. 39. Georgia Veterinary Medical Association. Policy statement: use of AI in vet med. Available at: https://gvma.net/2024/11/11/policy-statement-use-of-ai-in-vet-med/. Accessed January 1, 2026. 40. California Veterinary Medical Association. CVMA policy on the use of artificial intelligence in veterinary medicine. 2024. Available at: https://cvma.net/about-us/policies/cvma-policy-on-the-use-of-artificial-intelligence-in-veterinary-medicine/. Accessed January 1, 2026. 41. College of Veterinarians of Ontario. Use of medical devices enabled by artificial intelligence in the practice of veterinary medicine. 2024. Available at: https://www.cvo.org/standards/use-of-medical-devices-enabled-by-artificial-intelligence-in-the-practice-of-veterinary-medicine. Accessed January 1, 2026. 42. College of Veterinarians of Ontario. Embracing innovation and the digital age in veterinary medicine. 2024. Available at: https://www.cvo.org/standards/embracing-innovation-and-the-digital-age-in-veterinary-medicine. Accessed January 1, 2026. 43. Canadian Veterinary Medical Association. Artificial intelligence in veterinary medicine. 2023. Available at: https://www.canadianveterinarians.net/policy-and-outreach/position-statements/statements/artificial-intelligence-in-veterinary-medicine/. Accessed January 1, 2026. 44. British Veterinary Association. Artificial intelligence in the veterinary profession. Available at: https://www.bva.co.uk/take-action/our-policies/artificial-intelligence-in-the-veterinary-profession/. Accessed January 19, 2026. 45. Royal College of Veterinary Surgeons. AI Roundtable report published. Available at: https://www.rcvs.org.uk/about-us/news-and-views/news/ai-roundtable-report-published. Accessed 30 April 2026. 2024. 46. U.S. Food and Drug Administration. Good machine learning practice for medical device development: guiding principles. 2025. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/good-machine-learning-practice-medical-device-development-guiding-principles. Accessed January 2, 2026. 47. U.S. Food and Drug Administration. Transparency for machine learning-enabled medical devices: guiding principles. 2024. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/transparency-machine-learning-enabled-medical-devices-guiding-principles. Accessed January 2, 2026. 48. IDEXX. IDEXX digital cytology. 2025. Available at: https://www.idexx.com/en/veterinary/reference-laboratories/digital-cytology/. Accessed January 22, 2026. 49. Zoetis. Vetscan imagyst digital cytology. 2025. Available at: https://www.zoetisdiagnostics.com/us/point-of-care/vetscan-imagyst/imagyst-digital-cytology. Accessed January 22, 2026. 50. Antech Diagnostics. HeskaView telecytology. 2026. Available at: https://www.antechdiagnostics.com/antech-product/heskaview-telecytology/. Accessed December 31, 2025. 51. Moichor. AI lymphoma detection. 2024. Available at: https://www.moichor.com/ai-lymphoma-detection. Accessed January 2, 2026. 52. Zoetis. AI-powered Vetscan imagyst. 2025. Available at: https://www.zoetisdiagnostics.com/us/point-of-care/vetscan-imagyst/. Accessed December 31, 2025. 53. Zoetis. AI masses. 2026. Available at: https://www.zoetisdiagnostics.com/us/point-of-care/vetscan-imagyst/imagyst-ai-masses. Accessed January 2, 2026. 54. Flatland B, Dehghanpir SD, Evans SJM, et al. Guidelines for resident training in veterinary clinical pathology. IV. Laboratory quality management—Teaching domains, competencies, and suggested learning outcomes. Vet Clin Pathol 2024;53(S1):7–23. 55. Vos S, Hebeda K, Milota M, et al. Making pathologists ready for the new artificial intelligence era: changes in required competencies. Mod Pathol 2025;38(2):100657. 56. Bertin FR, Lawrence J, Niessen SJM, et al. The influence, promise, and potential perils of artificial intelligence in veterinary medicine: a call for improved awareness and literacy. J Vet Intern Med 2026;40(1):aalaf045. 57. University of Wisconsin School of Veterinary Medicine. SVM graduate students harness AI to improve animal, human health. 2025. Available at: https://www.vetmed.wisc.edu/svm-graduate-students-harness-ai-to-improve-animal-human-health/. Accessed January 2, 2026. 58. Auburn University. Auburn bulletin 2025-2026 veterinary medicine. 2025. Available at: https://bulletin.auburn.edu/coursesofinstruction/vmed/. Accessed January 2, 2026. 59. Kansas State University. CS 868 - artificial intelligence in veterinary medicine. 2026. Available at: https://catalog.k-state.edu/preview_course_nopop.php?catoid=63&coid=443779. Accessed January 2, 2026. 60. The Vetiverse. AI in veterinary medicine: training the next generation of AI-savvy veterinarians. 2025. Available at: https://www.thevetiverse.com/en/latest/ai-in-veterinary-medicine-training-the-next-generation-of-ai-savvy-veterinarians/. Accessed January 2, 2026. 61. Huang YT, Chu CP. Curriculum framework for artificial intelligence literacy in veterinary education. Front Vet Sci 2026;13:1801756. 62. Jha S, Topol EJ. Adapting to artificial intelligence: radiologists and pathologists as information specialists. JAMA 2016;316(22):2353–4. 63. American College of Veterinary Pathologists. Pathology informatics. 2026. Available at: https://acvp.org/education/pathology-informatics/. Accessed January 2, 2026. 64. American College of Veterinary Radiology. Artificial intelligence. 2023. Available at: https://acvr.org/artificial-intelligence-in-veterinary-diagnostic-imaging-and-radiation-oncology/. Accessed January 2, 2026. 65. American College of Veterinary Internal Medicine. How I streamline academic writing with AI and digital tools. 2026. Available at: https://www.acvim.org/events-education/course-catalog/how-i-streamline-academic-writing-ai-and-digital-tools. Accessed January 2, 2026. 66. Bulten W, Balkenhol M, Belinga JJA, et al. Artificial intelligence assistance significantly improves Gleason grading of prostate biopsies by pathologists. Mod Pathol 2021;34(3):660–71. 67. Ba W, Wang S, Shang M, et al. Assessment of deep learning assistance for the pathological diagnosis of gastric cancer. Mod Pathol 2022;35(9):1262–8. 68. VandeHaar MA, Al-Asi H, Doganay F, et al. Challenges and opportunities in cytopathology artificial intelligence. Bioengineering 2025;12(2):176. 69. Bellahsen-Harrar Y, Lubrano M, Lepine C, et al. Exploring the risks of over-reliance on AI in diagnostic pathology. What lessons can be learned to support the training of young pathologists? PLoS One 2025;20(8):e0323270. 70. McGenity C, Randell R, Bellamy C, et al. Survey of liver pathologists to assess attitudes towards digital pathology and artificial intelligence. J Clin Pathol 2022;77(1):27–33. 71. Torous VF, Andon N, Goyal A, et al. Comprehensive assessment of cytologist workplace needs and evolving professional landscape. J Am Soc Cytopathol 2025. S2213-2945(25)00247-9.

Share