小动物兽医学中人工智能工具的伦理考量
Simon Coghlan, BVSc, PhDᵃ\*, Thomas Quinn, MD, PhDᵇ
关键词
动物福利 · 人工智能 · 伦理 · 健康 · 小动物 · 兽医学
核心要点
• 人工智能(artificial intelligence, AI)工具在小动物兽医学中日益增多,但需要以合乎伦理的方式使用,以促进动物健康和福利。
• 从业者使用 AI 工具应以患者为中心的不伤害原则和行善原则为指导。
• 兽医 AI 工具的伦理受"机器"因素和"人类"因素的影响。
• AI 开发者和供应商、医院和诊所管理者以及兽医机构都负有问责责任,以协助从业者履行其伦理角色。
缩略词表
| 缩写 | 全称 |
|---|---|
| AI | 人工智能(artificial intelligence) |
| FDA | 食品药品监督管理局(Food and Drug Administration) |
| LLM | 大语言模型(Large language model) |
引言
本文探讨小动物兽医学中人工智能系统和工具日益发展和使用的伦理问题[1,2]。此类技术最可能常用于猫和犬,但也可用于其他小型伴侣动物物种,如兔和仓鼠。AI 工具也正在为非伴侣动物开发,如养殖动物[3]。这些其他场景提出了一些不同的伦理考量[4]。大型动物,尤其是马,有时被饲养作伴侣而非因其经济价值。这些动物的伦理问题与小型动物伴侣相似。
本文聚焦于与伴侣动物临床护理直接相关的 AI 工具,而非用于其他目的的 AI,如医院管理(例如自动预约提醒)、医学教学和兽医生物医学研究[5,6]。旨在为小动物临床实践中兽医临床 AI 的伦理考量提供有益的概述和分析。
人工智能尚未改变兽医学,但随着工具的改进和采用,可能会及时改变[7]。这在人类医学中已经开始发生[8,9]。人类医学中 AI 的例子包括放射学解读、患者监测、早期疾病预测、基因组学、手术和心理健康护理工具[8,10,11]。虽然人类医学拥有更多资源,但兽医学可能会逐步采用一些类似的 AI 工具。即使现在市场上已有兽医 AI 工具,还有许多其他工具正在研究和开发中。
与人类医学实践一样,兽医医学实践中一个已经流行的工具是 AI 病历记录员,它聆听会诊并自动书写患者记录。AI 还用于为客户生成医疗说明。另一个有前景的工具是计算机视觉,它分析 X 线、计算机断层扫描(CT)、MRI 和超声图像,以提供图像分割、突出感兴趣区域,甚至提出诊断[12,13]。AI 也可能用于放射肿瘤学[14]。一些兽医 AI 设备分析来自血液、尿液和组织抽吸物的病理学数据[15]。
AI 正在开发用于检测早期疾病、评估福利状态、辅助诊断,甚至为从肾上腺皮质功能亢进到神经系统疾病和心脏异常的病症提供治疗建议[16]。此类 AI 工具可能基于单一数据类型或医疗史和检查等综合来源做出推断。大语言模型(large language model, LLM),包括通用模型和定制兽医版本[17],可以作为聊天机器人为兽医师或直接为客户分诊患者并提供健康建议。随着时间推移,可能会有更多 AI 嵌入手术机器人和环境或可穿戴传感器中,用于医院和诊所内外的动物健康监测[18]。此外,新兴的智能体 AI 可能被用于日益自动化兽医和人类医学的部分环节[8]。
兽医 AI 既呈现出重大前景,也带来显著挑战[19,20],包括对患者健康和福利的潜在风险。为审视这一伦理领域,本文首先介绍兽医伦理的相关概念,然后探讨"机器"和"人类"伦理问题,最后考虑兽医 AI 产品的问责制。
兽医伦理
对兽医 AI 的伦理审视需要对兽医伦理[21]以及从业者的道德义务和角色有所了解。从业者遵守动物福利法和职业法规的法律义务是其伦理责任的最低限度,而这些伦理责任无论如何都过于复杂,法律无法完全规范。毕业后,兽医师可能会宣誓,表达对患者、客户、职业和社会的基本义务[22]。一些誓言坚持认为,对动物健康和福利的义务是兽医师的首要责任[23]。
一些伦理学家援引对动物患者的不伤害(避免造成伤害)和行善(改善福利)义务[24,25]——类似于医生对人类患者的义务[26]。因为有感知能力的动物可以有积极和消极的心理状态,许多学者认为它们具有各种与道德相关的福利利益,如避免痛苦、拥有期望的体验和不早逝[27,28]。哲学家认为动物具有内在的道德地位或身份[29]。有感知能力的动物具有福利和道德地位这一事实,有助于支撑更具体的兽医行善和不伤害义务。
拯救生命、促进动物福祉和减少痛苦是许多兽医师从事这一职业的主要原因[30]。虽然兽医师有时必须通过疼痛或痛苦的程序对动物造成伤害,但这些行为的正当目标是为这些患者提供整体利益。以患者为中心的行善和不伤害原则共同旨在帮助动物过上好的生活。
伦理学家还认识到小动物实践中对人类客户的一些义务。许多客户有参与影响其非人类伴侣或家庭成员的兽医决策的利益[31]。客户通常也最了解动物的个性和偏好(当然,有些客户可能更多地将其动物视为工具)。此外,客户的许可和合作是兽医师成功治疗动物患者所必需的[23]。
对患者的义务因合法拥有动物的客户的决策、资源和能力而变得复杂[32,33]。通常,从业者、客户和患者的利益和目标是愉快一致的[34]。然而,当客户拒绝或无法(例如因经济原因)遵循良好的医疗建议,或他们要求有害的干预措施时,就会出现重大的伦理挑战。
兽医伦理学家认为,在这种冲突或不一致的情况下,从业者应作为其护理动物的倡导者[35]。这可能需要拒绝执行客户无效或有害干预的请求,说服客户接受重要的医疗,或在客户有经济或能力限制时提供次优但仍然有益的选择[36]。遵守以患者为导向的行善和不伤害原则,可能需要在医疗决策中仔细且因地制宜地平衡动物的利益和伤害。兽医 AI 的使用必须同样符合这一伦理目标。
有理由认为,医院管理者和 AI 设计者及供应商都应理解并支持兽医师这些决定性的伦理责任。AI 伦理学家还认为,AI 产品的制造者和分销商有独立的义务,确保其系统避免伤害和/或为动物提供利益[4,37]。这一义务更有力地适用于明确设计为造福动物的 AI 系统,包括定制兽医 AI 工具[38]。
机器问题
若干伦理问题与 AI 工具本身的性质和发展密切相关。AI 执行通常需要人类(或动物)智能的任务,包括感知、分类、推断、预测和决策。这使 AI 能够从事医疗活动,如分析 X 线并提供诊断和治疗方案。
令人鼓舞的是,研究表明此类系统有时可以匹配或超越全科医师甚至专科医师的水平[39,40]。此外,AI 可以快速行动,不会疲劳、分心和人类情绪偏倚。因此,兽医 AI 的使用有时可能符合以患者为导向的不伤害和行善原则。
然而,AI 也可能对患者福祉构成风险[41](表 1)。例如,AI 系统可能不准确,给出误诊以及关于各种疾病状况或疼痛和其他情感状态的假阳性和阴性预测[6,42]。LLM 可能提供关于疾病、药物和治疗的不正确和幻觉性建议[8]。此类不准确的输出可能由训练数据不足和 AI 训练方法的性质引起。部署这些系统的结果可能是对动物健康和福利的伤害。
表 1 人工智能工具的机器相关和人类相关伦理挑战总结(附解释或示例)
| 挑战类别 | 解释和示例 |
|---|---|
| 机器问题 | |
| 准确性 | AI 输出的范围从超人级准确性到误诊、假阳性和假阴性 |
| 偏倚 | 对某些疾病、物种、品种等可能出现较差的 AI 性能 |
| 不透明性 | 不可解释的输出可能带来风险并降低从业者信任 |
| 数据安全 | 客户和患者数据是机密的,需要知情同意才能在 AI 系统中捕获和再利用 |
| 人类问题 | |
| 从业者过度信任 | 依赖机器输出时可能出现自动化偏倚、不假思索或习惯性地服从 AI,以及未能充分考虑个体患者需求 |
| 技能退化 | 由于减少了深思熟虑的决策和实践机会,知识和技能可能逐渐侵蚀 |
| 认知负荷 | 了解 AI 工具和解读大量输出可能增加从业者压力并降低其表现 |
| 误用和滥用 | 采用不可信的 AI 工具或未能考虑对诊断或治疗重要的其他证据,可能损害患者护理 |
| 客户态度 | 一些客户可能不信任或高估 AI 系统,需要教育、咨询和提供替代的有益选择 |
此外,机器学习系统可能存在偏倚。人类医学中的 AI 臭名昭著地为具有残疾和种族等受保护属性的人产生了有害的医疗建议[43]。另一个例子是 AI 病历记录员对某些种族或其他人群群体的表现相对较差,例如由于口音差异[44]。AI 偏倚的一个常见原因是训练数据不足或具有误导性。在兽医背景下,偏倚可能导致对某些物种、品种、罕见疾病或异常表现的错误输出[6]。
当在一种环境中表现良好的机器学习系统被用于另一个未充分训练的环境时,会出现另一个问题,同样可能导致不准确和有偏倚的输出以及随之而来的伤害。重要的是,兽医应用的高质量训练数据相对匮乏[45]。与人类医疗记录相比,动物医疗记录不太广泛地可用于模型训练,这使得在兽医背景下创建相对准确和无偏倚的工具可能更加困难。
AI 错误对动物健康和福利的后果从轻微到严重不等,可能包括痛苦、残疾、困扰和死亡。兽医学中的动物通常被安乐死,无论是在终末期疾病时还是当它们有可治疗的疾病时。动物安乐死的随时可用性,加上对非人类生命缺乏强有力的法律保护,以及无补贴兽医学的经济费用,使患者特别容易受到此类不准确 AI 工具的伤害风险。
一个相关的担忧是 AI 系统中的深度学习方法可能是不透明或不可解释的[46]。深度神经网络的输出——可能用于 AI 记录、放射学解读、病理学分析、分诊等——基于极其复杂的模式,这些模式无法为人类所理解。这意味着,例如,如果深度学习系统指示犬淋巴瘤,人类操作者可能不知道该诊断的确切依据。
一些学者认为,如果模型通过其他方法判断,如严格的纵向性能研究,被认为是准确和可靠的,那么 AI 不透明性就不成问题[47]。然而,此类研究可能不可得,特别是对于相对较新的 AI 产品。虽然可解释性不是准确性的必要条件,但了解模型如何生成输出对于验证和信任 AI 能够以令人满意的水平执行可能至关重要。此外,一些 AI 系统会随时间适应或变化,使其准确性更难跟踪。
即使是非常令人印象深刻的 AI 系统也可能犯受过训练的人类不会犯的重大(尽管是偶尔)错误——例如,当它们幻觉内容或使用与准确输出没有可靠(例如因果)联系的数据时。后者的一个例子是 AI 跟踪放射伪影或 X 线的任意定位或预处理,而不是 X 线图像中有意义的解剖特征[45]。例如,一个 AI 模型因训练图像中的噪声误诊了一名人类患者的肺炎[48]。
避免不透明性问题的一种方法是为医疗应用设计可解释的 AI 系统[46]。或者,如果使用深度学习 AI 工具,可能需要找到适当的可解释性方法来理解其输出[49],以便从业者可以对其有信心[50]。
鉴于这些关于可信度的持续担忧,至关重要的是从业者根据对患者不伤害和行善的基本伦理义务,仔细评估其对 AI 工具的采用。回顾这些原则有助于从业者权衡在患者身上部署特定 AI 产品的利弊。
最后一个担忧是用于训练模型或输入运行中 AI 系统的数据的隐私和安全。这主要引起对人类客户的隐私担忧[51],尽管动物信息也可能被恶意行为者用来伤害它们(例如在家庭暴力情况下)[4]。私人数字信息可能被泄露、再利用、出售,并受到网络黑客攻击[52]。
保护兽医客户的义务可能要求从业者尽可能确保客户数据保持私密(例如匿名化和加密)。对于由兽医师或学者等对该技术经济利益较少的群体设计的系统,这可能最容易。对于从业者来说,了解私人公司如何处理机密数据可能更加困难,因为数据收集和使用可能带来经济利益(例如出售数据或使用数据训练模型)。至少,从业者应向客户披露这些事实,并在促成机密信息收集之前寻求他们的许可[6](见表 1)。
人类问题
从伦理角度来看,AI 工具不仅应被视为技术对象,还应被视为社会技术系统的组成部分。AI 对兽医学的某些伦理影响源于人类如何感知和与技术互动。
如前所述,匹配或超越人类专家能力的 AI 工具可能为动物健康和福利带来实质性利益。此类工具可以协助人类完成重要的认知任务,如分诊、提供第二意见和提供医疗建议。AI 工具可能潜在地加速工作,使从业者能够专注于客户讨论和动手患者护理等活动。
如果先进、可信的医疗 AI 工具变得相对便宜和可用,它们可能会协助远程地点的客户和从业者,那里兽医护理、第二意见或专科援助短缺。然而,应该注意的是,昂贵的 AI 可能使资源有限或来自较贫困地区的客户和患者处于不利地位。
从人类和用户的角度来看,兽医 AI 引发了各种伦理挑战(见表 1)。虽然这些"人类"问题有时与"机器问题"如准确性、偏倚和不透明性相互作用,但它们也受到人们如何回应 AI 工具的强烈影响。本节的其余部分探讨这些与人类相关的挑战。
一个问题涉及从业者过度信任 AI 输出。作为自动化偏倚的一个例子,人类可能会过度信任看似娴熟的 AI 系统,而他们应该更加谨慎[53]。即使是以专科医疗水平执行的 AI 也可能需要批判性反思的人类监督,因为其输出可能是错误或误导性的,或需要仔细解读。这里,一个问题可能出现在缺乏充分审查专科水平 AI 建议能力的非专科从业者身上。
另一个潜在的风险可能在较长时间内出现,即技能退化。频繁服从 AI 机器的倾向可以想象会侵蚀某些认知和也许是实践医疗技能。虽然提供合理建议并为预测和推理给出良好医学理由的 AI 工具可能会促进技能提升——从而为患者带来益处——但从业者技能退化不能被排除[54]。
随着 AI 变得越来越普遍,丰富的医疗 AI 输出也可能矛盾地给从业者带来额外的认知负荷。必须学习 AI 的基本机制[55]和利弊,对兽医师来说是又一个可能的认知负担,他们中的许多人已经面临过度工作和职业倦怠[56]。
医疗 AI 也存在误用和滥用的可能性。一些 AI 工具尽管周围有热情和有效的营销,仍然是不可信的。采用劣质和不可靠的 AI 产品将构成对技术的滥用。AI 的误用可能以各种方式发生。例如,部署 AI 的诱惑可能导致良性疾病的过度诊断[57]以及对动物无益或有害的过度检查和治疗。
当 AI 输出未在更广泛的临床背景下考虑时,也可能发生误用。从业者在将基于 AI 的输出整合到其决策中时,需要考虑整体患者情况。一个合理的诊断可能取决于一系列证据,而不仅仅是机器预测,即使预测基于 AI 工具生成输出所依据的信息是合理的。
基于 AI 的干预和治疗建议也必须与患者的个体情况一起考虑。假设 AI 工具做出合理的建议,即患有 X 疾病的患者应接受 Y 治疗——Y 是 X 的"金标准"治疗。虽然这通常可能是好的建议,但可能并不适合特定患者。
例如,个体患者可能过于焦虑、虚弱或有共病,无法从使许多其他同病患者受益的干预中获益。相反,患者可能足够健壮和随和,可以接受对许多其他人来说过于繁重的治疗。因此,从业者不仅必须运用医学专业知识,还必须在决定何时以及是否遵循 AI 建议的干预时,为每个个体患者仔细应用不伤害和行善原则[58]。如果 AI 工具建议像安乐死这样严重的干预,这将尤为重要。
最后,客户的态度可能会影响 AI 的使用,无论好坏。目前,AI 技术总体上既引发了热情,也引发了公众担忧[59]。客户有时可能不适当地抵制或推动 AI 的使用。从业者需要充分告知和咨询客户关于 AI 工具的风险和益处。对于对患者福祉或客户机密构成重大风险的 AI 工具,理想的程序是在护理点通知每位客户并寻求许可[60]。
问责问题
AI 对小动物患者的风险和益处引发了决策者的问责问题。为确保伦理上理想的结果,重要的是决策者了解其具体责任,并制定适当的机制来保护和协助患者(和客户)。
如前所述,从业者对患者负有行善和不伤害的义务。还建议,某些相关方,如 AI 开发者和医院管理者,可以被合理地期望支持或不破坏他们在这一伦理重要角色中的作用,并且这些方也可能有一些独立的义务来保护动物福利。考虑到这一点,现在可以考虑 AI 开发者、兽医从业者、医院管理者和兽医机构的问责问题。为方便起见,讨论总结在表 2 中。
表 2 各决策者问责责任和措施示例
| 决策者 | 问责示例 |
|---|---|
| AI 开发者和供应商 | 确保 AI 工具具有足够的准确性和最小偏倚;与兽医领域专家和从业者协商;测试和监控 AI 工具的输出和结果;透明展示 AI 产品的利弊;创建最小化用户错误的自然界面 |
| 兽医从业者 | 了解 AI 工具对患者的可能伤害和益处;在行动前批判性审查所有 AI 输出;在患者需求的整体背景下考虑 AI 输出;在特定背景下就 AI 工具使用咨询客户;在适当时候获得客户的知情许可 |
| 医院和诊所管理者 | 在采用前探索 AI 工具的风险和益处;允许从业者决定 AI 使用的自由;评估对临床工作流、工作量、客户财务、隐私和环境的影响 |
| 兽医委员会和协会 | 就 AI 工具的伦理和法律使用向职业提供建议;鼓励合作评估兽医 AI 的价值;就学生和执业兽医师的教育提供建议 |
AI 开发者和供应商
由于兽医从业者和兽医医院应仅采用造福患者并最小化伤害的临床和外科技术,他们将合理地期望 AI 设计者和兽医 AI 工具供应商确保这些产品有助于实现而非阻碍这一首要伦理目标。因此,开发者必须创建足够准确和无偏倚的 AI 产品——特别是当使用不透明的深度学习方法时。
然而,应该注意的是,与人类医学中的设备不同,兽医设备的监管极少或没有[61]。例如,美国食品药品监督管理局(FDA)通过基于风险的系统监管人类医疗器械,该系统要求批准前进行安全审查,并在临床使用后进行持续监测。FDA 不监管任何动物用设备。在其他司法管辖区也存在类似的兽医医学设备监管相对缺乏的情况。
开发者可以采取的创建更可信工具的关键步骤包括:确保直接的领域专家参与(例如,学者和执业兽医师)参与 AI 设计[8],以及进行有代表性和充分的数据收集和准备[62]。开发者还可以考虑或确保在实验室和沙箱中对 AI 模型进行适当的测试和验证,使用提示工程等技术改进相关 AI 模型中的输出,产生 AI 设备性能的同行评审研究,第三方独立审计,以及在实践中对 AI 工具及其对患者的结果进行严格的持续监测。
兽医职业还应期望 AI 开发者充分展示其产品的可信度。这将要求 AI 制造者、公司和发言人就其工具发布准确、诚实、透明和充分证实的声明。相关信息很可能包括 AI 工具的开发、性能和功效,及其优势、适应症和局限性。此类信息也应易于从业者或兽医医院访问和理解(例如,省略不必要的术语)。最后,可以合理期望 AI 工具的界面清晰、可用和可理解,以最小化操作者错误。
兽医从业者
推进患者健康和福利的义务意味着从业者必须在 AI 工具的采用和使用中运用谨慎的判断。虽然这一要求适用于临床实践中的任何其他设备或决策,但 AI 是一种独特的技术,具有必须理解的特殊前景和危险。从业者应警惕对 AI 的夸大声明——这是一种普遍现象,也已出现在医疗 AI[63]和动物相关 AI[4]中。
除了对 AI 的基本理解[55]外,从业者还应了解特定 AI 工具的相关事实:其准确性、偏倚、测试结果、数据代表性等。与其他兽医技术一样,从业者必须运用专业技能来决定何时应为特定患者及其特定需求使用或不使用 AI 工具。
有说服力的论点是,医疗 AI 工具应作为决策支持工具,增强而非取代人类专业知识[13,45]。因此,从业者绝不能简单地接受基于 AI 的诊断、治疗建议或医疗计划为绝对正确。他们应整体考虑其他相关的医学知识和关于患者的信息。显然,他们还应在患者病历中记录其使用 AI 工具的情况,只要这对他们的决策很重要。例如,如果从业者部分依赖基于 AI 的放射学解读或 LLM 决策支持工具的输出,应记录这些输出(以及相关的提示)。
在这个阶段,即使使用 AI 来自动化临床过程的受限部分也可能是不明智的。技术有时可以合理地自动化某些活动——例如当使用自动临床实验室分析仪进行常规生化和血液学测试时[64]——当这种使用与良好的医疗实践一致时。然而,新兴的 AI 工具在兽医学中尚未达到所需的可信度水平。
因此,临床重要 AI 的输出——无论是来自记录员、图像分析器还是 LLM 聊天机器人——始终应在采取行动之前由从业者批判性审查和解读[65]。还应注意的是,兽医监管机构要求从业者对其临床决策和活动(包括使用 AI 输出时)承担专业责任[66]。
就从业者应作为患者的倡导者而言[36],随着时间推移,咨询客户同意使用明显对患者健康和福利重要的 AI 工具可能变得适当。然而,在这个阶段,AI 系统尚未可信到足以被职业的适当医疗标准所要求。
事实上,从业者可能需要咨询客户不要使用 AI 工具,当它们有害或对患者无益时,正如他们应该对其他有害或无益的干预一样[67]。这种客户教育和咨询的需要可能不仅延伸到特定的兽医工具,还延伸到公众可用或营销的 AI 系统,如 AI 可穿戴设备和 LLM 聊天机器人。
兽医管理者
医院和诊所的管理者和所有者通常监督医疗工具的采购和采用。这些人,其中一些拥有兽医医学资格,也对其兽医员工如何实践医学有权力和影响。管理者可能会,公开或微妙地,向员工施加压力,要求使用需要投资回报的昂贵 AI 系统。
如前所述,管理者应以允许从业者维护其作为兽医师的基本伦理义务的方式行事。这将要求给予从业者自由裁量权,就 AI 工具的使用或不使用做出良好的伦理和临床判断,不论商业利益如何冲突。
医院管理者还应被期望帮助确保患者和客户数据保持安全和私密。此外,由于工作的从业者并不总是有时间探索 AI 工具的性质、风险、益处和规格,希望引入此类工具的管理者将需要进行此类调查。他们还可能评估对临床工作流、从业者工作量和客户财务的可能影响。最后,建议管理者调查高资源需求的 AI 系统对环境的影响,这些系统造成污染和碳排放[68,69]。
兽医机构
兽医委员会负责许可从业者和监管职业,而兽医协会支持从业者和职业标准,并为兽医师和动物福利提供倡导。这些机构在确保兽医师使用医疗 AI 与良好临床实践和患者福祉一致方面发挥作用。
由于 AI 是一种不断发展和复杂的技术,影响不确定,兽医机构可能认为有责任就 AI 的使用教育和建议从业者[66]。它们还可能呼吁学术界和其他有能力调查兽医 AI 安全性、基准测试等的人进行更多合作研究[70,71]。最后,兽医机构可以就需要对兽医学生和执业兽医师进行医疗 AI 的使用、风险和益处教育向职业提供建议[72]。
总结
本文探讨了小动物兽医学中 AI 工具的关键伦理考量。兽医从业者对患者具有职业定义性的行善和不伤害义务,以及对客户的一些义务。从业者应仔细权衡 AI 工具对动物的益处和风险,以便他们能够促进患者健康和福利,并相应地告知和咨询客户。设计和销售兽医 AI 工具、管理兽医医院以及监管和监督职业的各方,处于支持从业者履行其在使用 AI 时的核心伦理责任的有利位置。
临床要点
• 兽医医疗 AI 工具可能是有益的,但同时引发影响对动物患者核心行善和不伤害义务的"机器"和"人类"挑战。
• 从业者必须了解 AI 不准确、偏倚、不透明性和数据隐私与安全的"机器"问题。
• 从业者还必须应对过度信任、技能退化、认知负荷、误用和滥用以及关于 AI 工具的客户态度等"人类"问题。
• 为确保动物患者受益于 AI 工具而不受伤害,针对 AI 开发者和供应商、从业者、医院管理者以及兽医机构的一系列问责措施非常重要。
利益披露
作者无利益披露。
参考文献
1. Basran PS, Appleby RB. The unmet potential of artificial intelligence in veterinary medicine. Am J Vet Res 2022;83(5):385–92. 2. Coghlan S, Quinn T. Ethics of using artificial intelligence (AI) in veterinary medicine. AI Soc 2023;39:2337–48. 3. Neethirajan S. The role of sensors, big data and machine learning in modern animal farming. Sens Biosens Res 2020;29:100367. 4. Coghlan S, Parker C. Harm to nonhuman animals from AI: a systematic account and framework. Philos Technol 2023;36(2):25. 5. Akbarein H, Taaghi MH, Mohebbi M, et al. Applications and considerations of artificial intelligence in veterinary sciences: a narrative review. Veterinary Medicine and Science 2025;11(3):e70315. 6. Heinlein M. Ethical considerations of artificial intelligence in veterinary medicine decision-making. Front Vet Sci 2026;13. 7. Cazer CL, Basran P, Ivanek-Miojevic R. From bark to bytes: artificial intelligence transforming veterinary medicine. Am J Vet Res 2025;86(S1):S4–5. 8. Angus DC, Khera R, Lieu T, et al. AI, health, and health care today and tomorrow: the JAMA summit report on artificial intelligence. JAMA 2025;334(18):1650–64. 9. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med 2019;25(1):1. 10. Coghlan S, Leins K, Sheldrick S, et al. To chat or bot to chat: ethical issues with using chatbots in mental health. Digit Health 2023;9:20552076231183542. 11. Rajpurkar P, Chen E, Banerjee O, et al. AI in health and medicine. Nat Med 2022;28(1):31–8. 12. Albergante L, O'Flynn C, Meyer GD. Artificial intelligence is beginning to create value for selected small animal veterinary applications while remaining immature for others. J Am Vet Med Assoc 2025;263(3):388–94. 13. Burti S, Banzato T, Coghlan S, et al. Artificial intelligence in veterinary diagnostic imaging: perspectives and limitations. Res Vet Sci 2024;175:105317. 14. 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. 15. Zuraw A, Aeffner F. Whole-slide imaging, tissue image analysis, and artificial intelligence in veterinary pathology: an updated introduction and review. Vet Pathol 2021;59(1):6–25. 16. Bouchemla F, Akchurin SV, Akchurina IV, et al. Artificial intelligence feasibility in veterinary medicine: a systematic review. Vet World 2023;16(10):2143–9. 17. Chu CP. ChatGPT in veterinary medicine: a practical guidance of generative artificial intelligence in clinics, education, and research. Front Vet Sci 2024;11. 18. Brugarolas R, Latif T, Dieffenderfer J, et al. Wearable heart rate sensor systems for wireless canine health monitoring. IEEE Sensors J 2016;16(10):3454–64. 19. Akinsulie OC, Idris I, Aliyu VA, et al. The potential application of artificial intelligence in veterinary clinical practice and biomedical research. Front Vet Sci 2024;11. 20. Gabor S, Danylenko G, Voegeli B. Familiarity with artificial intelligence drives optimism and adoption among veterinary professionals: 2024 survey. Am J Vet Res 2025;86(S1):S63–9. 21. Rollin BE. An introduction to veterinary medical ethics: theory and cases. 2nd edition. Blackwell Publishing; 2006. 22. Magalhaes-Sant'Ana M, More SJ, Morton DB, et al. What do European veterinary codes of conduct actually say and mean? A case study approach. Vet Rec 2015;176(25):654. 23. Bones VC, Yeates JW. The emergence of veterinary oaths: social, historical, and ethical considerations. J Anim Ethics 2012;2(1):20–42. 24. Kimera SI, Mlangwa JE. Veterinary ethics. In: Encyclopedia of global bioethics. Cham, Switzerland: Springer; 2015. p. 2937–47. 25. Mullan S, Main D. Principles of ethical decision-making in veterinary practice. Practice 2001;23(7):394–401. 26. Beauchamp TL, Childress JF. Principles of biomedical ethics. 8th edition. Oxford University Press; 2019. 27. Browning H, Birch J. Animal sentience. Philos Compass 2022;17(5):e12822. 28. Regan T. The case for animal rights. Nachdr. University of California Press; 2004. 29. Nussbaum MC. Justice for animals: our collective responsibility. Simon and Schuster; 2023. 30. Kipperman B, Rollin B, Martin J. Veterinary student opinions regarding ethical dilemmas encountered by veterinarians and the benefits of ethics instruction. J Vet Med Educ 2021;48(3):330–42. 31. Walsh F. Human-animal bonds I: the relational significance of companion animals. Fam Process 2009;48(4):462–80. 32. Mullan S, Quain A, editors. Veterinary ethics: navigating tough cases. 5m Books Ltd; 2017. 33. Yeates J, Savulescu J. Companion animal ethics: a special area of moral theory and practice? Ethical Theory Moral Pract 2017;20(2):347–59. 34. Knesl O, Hart BL, Fine AH, et al. Opportunities for incorporating the human-animal bond in companion animal practice. J Am Vet Med Assoc 2016;249(1):42–4. 35. Hernandez E, Fawcett A, Brouwer E, et al. Speaking up: veterinary ethical responsibilities and animal welfare issues in everyday practice. Animals 2018;8(1):15. 36. Coghlan S. Strong patient advocacy and the fundamental ethical role of veterinarians. J Agric Environ Ethics 2018;31(3):349–67. 37. Singer P, Tse YF. AI ethics: the case for including animals. AI Ethics 2022;3:539–51. 38. Coghlan S, Parker C, Lederman R. AI ethics guidelines: time to include animals. Sci Eng Ethics 2026;32:10. 39. Boissady E, de La Comble A, Zhu X, et al. Artificial intelligence evaluating primary thoracic lesions has an overall lower error rate compared to veterinarians or veterinarians in conjunction with the artificial intelligence. Vet Radiol Ultrasound 2020;61(6):619–27. 40. Ndiaye YS, Cramton P, Chernev C, et al. Comparison of radiological interpretation made by veterinary radiologists and state-of-the-art commercial AI software for canine and feline radiographic studies. Front Vet Sci 2025;12. 41. Ghavi Hossein-Zadeh N. Artificial intelligence in veterinary and animal science: applications, challenges, and future prospects. Comput Electron Agric 2025;235:110395. 42. Feighelstein M, Shimshoni I, Finka LR, et al. Automated recognition of pain in cats. Sci Rep 2022;12(1):1. 43. Obermeyer Z, Powers B, Vogeli C, et al. Dissecting racial bias in an algorithm used to manage the health of populations. Science 2019;366(6464):447–53. 44. Topaz M, Peltonen LM, Zhang Z. Beyond human ears: navigating the uncharted risks of AI scribes in clinical practice. npj Digit Med 2025;8(1):569. 45. Xiao S, Dhand NK, Wang Z, et al. Review of applications of deep learning in veterinary diagnostics and animal health. Front Vet Sci 2025;12. 46. Quinn TP, Jacobs S, Senadeera M, et al. The three ghosts of medical AI: can the black-box present deliver? Artif Intell Med 2022;124:102158. 47. London AJ. Artificial intelligence and black-box medical decisions: accuracy versus explainability. Hastings Cent Rep 2019;49(1):15–21. 48. Rafferty A, Rajan A. Limitations of public chest radiography datasets for artificial intelligence: label quality, domain shift, bias and evaluation challenges. arXiv 2025. 49. Chaddad A, Peng J, Xu J, et al. Survey of explainable AI techniques in healthcare. Sensors 2023;23(2). 50. Hatherley JJ. Limits of trust in medical AI. J Med Ethics 2020;46(7):478–81. 51. van der Linden D, Zamansky A, Hadar I, et al. Buddy's wearable is not your buddy: privacy implications of pet wearables. IEEE Security & Privacy 2019;17(3):28–39. 52. Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. Artificial Intelligence in Healthcare 2020;295–336. 53. Khera R, Simon MA, Ross JS. Automation bias and assistive AI: risk of harm from AI-Driven clinical decision support. JAMA 2023;330(23):2255–7. 54. Aquino YSJ, Rogers WA, Braunack-Mayer A, et al. Utopia versus dystopia: professional perspectives on the impact of healthcare artificial intelligence on clinical roles and skills. Int J Med Inf 2023;169:104903. 55. Appleby RB, Basran PS. Artificial intelligence in veterinary medicine. J Am Vet Med Assoc 2022;260(8):819–24. 56. Pohl R, Botscharow J, Bockelmann I, et al. Stress and strain among veterinarians: a scoping review. Ir Vet J 2022;75(1):15. 57. Capurro D, Coghlan S, Pires DEV. Preventing digital overdiagnosis. JAMA 2022;327(6):525–6. 58. Brown CR, Garrett LD, Gilles WK, et al. Spectrum of care: more than treatment options. J Am Vet Med Assoc 2021;259(7):712–7. 59. Dreksler N, Law H, Ahn C, et al. What does the public think about AI? An overview of the public's attitudes towards AI and a resource for future research. Soc Sci Res Netw 2025;1–122. 60. Mello MM, Char D, Xu SH. Ethical obligations to inform patients about use of AI tools. JAMA 2025;334(9):767–70. 61. Bellamy JEC. Artificial intelligence in veterinary medicine requires regulation. Can Vet J 2023;64(10):968–70. 62. Basran PS, Appleby RB. What's in the box? A toolbox for safe deployment of artificial intelligence in veterinary medicine. J Am Vet Med Assoc 2024;262(8):1090–8. 63. Alvarado R. Should we replace radiologists with deep learning? Pigeons, error and trust in medical AI. Bioethics 2022;36(2):121–33. 64. Al Naam YA, Elsafi S, Al Jahdali MH, et al. The impact of total automaton on the clinical laboratory workforce: a case study. J Healthc Leadersh 2022;14:55–62. 65. Rubini A, Di Via R, Pastore VP, et al. Artificial intelligence in chest radiography—A comparative review of human and veterinary medicine. Vet Sci 2025;12(5):404. 66. American Association of Veterinary State Boards. Regulatory considerations for the use of artificial intelligence in veterinary medicine. 2025. 67. Yeates JW, Main DC. The ethics of influencing clients. J Am Vet Med Assoc 2010;237(3):263–7. 68. Dhar P. The carbon impact of artificial intelligence. Nat Mach Intell 2020;2(8):423–5. 69. Weightman A, Clayton P, Coghlan S. Confronting the ethical issues with artificial intelligence use in nephrology. Kidney360 2025;7(1):192–8. 70. Duggirala HJ, Johnson JL, Tadesse DA, et al. Artificial intelligence and machine learning in veterinary medicine: a regulatory perspective on current initiatives and future prospects. Am J Vet Res 2025;86(S1):S16–21. 71. Sun JJ. Toward collaborative artificial intelligence development for animal wellbeing. J Am Vet Med Assoc 2025;263(4):528–35. 72. Quinn TP, Coghlan S. Readying medical students for medical AI: the need to embed AI ethics education. arXiv.org 2021;1–10.