人工智能辅助兽医X光片判读:临床医生的机遇、风险与最佳实践
人工智能辅助兽医X光片判读:临床医生的机遇、风险与最佳实践
Parminder S. Basran, PhD, Ryan Appleby, DVM, Ian Porter, DVM
关键词
- 人工智能
- 兽医放射学
- 深度学习
- 影像诊断
- 临床决策支持
- 专业责任
要点
- 人工智能(Artificial Intelligence, AI)在兽医临床中是辅助工具,不能替代执业兽医的判断与责任。
- 即使目前尚无规范兽医 AI 使用的正式法规,兽医仍对 AI 辅助决策承担全部责任。
- 临床医生必须充分理解 AI 系统的功能,才能在将其纳入患者诊疗决策之前向客户解释清楚。
- 负责任地采用 AI 需要了解训练数据、向客户披露 AI 的使用、遵循最佳实践,并保持专业问责。
- AI 的成本效益仍不明确,取决于购置成本、临床结局改善,以及假阳性和不必要的后续检查所带来的潜在费用。
引言
X光摄片仍然是兽医临床实践中应用最广泛的影像诊断手段之一,在不同物种、不同诊疗类型和不同资源条件下均常规使用。兽医放射学尤其面临着严峻挑战:临床工作量不断增加、 board-certified 放射科医生资源分布不均、对快速诊断报告的期望日益提高,这些因素推动了远程放射学的扩展,以及近年来人工智能(Artificial Intelligence, AI)在本行业中的引入[1,2]。
毫不意外,这些挑战催生了对基于 AI 的辅助 X 光判读工具的研究兴趣。近年来,AI 系统——主要基于深度学习(deep learning)和卷积神经网络(convolutional neural networks)——已被引入兽医 X 光的多种任务中,包括异常检测、模式分类、定量测量和报告生成[3]。此类工具的商业化发展迅速,速度已超过其临床使用正式指导文件的制定。与人类医学影像不同(诊断支持软件在人类医学中有明确的监管审批路径),兽医 AI 工具目前在有限的外部监督下即被部署使用。因此,合理选择、验证和使用这些系统的责任,很大程度上落在了执业兽医身上。
如果使用得当,AI 辅助的 X 光判读可以带来切实的益处,包括工作流程分诊、测量一致性的改善,以及在放射科资源有限环境中的决策支持。然而,这些系统也带来了新的风险:性能可能因物种、品种、影像采集方案和疾病患病率的不同而存在差异。错误可能是隐蔽的、系统性的,或难以察觉的,尤其是当临床医生对自动化输出过度信任时。如果对系统的预期用途、训练数据和局限性缺乏清晰理解,AI 工具就存在被误用、过度依赖或不恰当地用于临床决策的风险。
本文的目的是为执业兽医提供 AI 辅助 X 光判读的实用概述,重点介绍目前可用或即将出现在兽医领域的工具。本文不做算法开发的技术综述,而是强调临床相关性:这些工具如何运作、在哪些方面能带来价值,以及它们的局限性。我们借鉴兽医专业组织的指导意见和已有的医学影像框架,概述负责任实施的核心原则,包括局部评估、人工监督、透明度和持续性能监测。
基于人工智能的放射学工具概述
关于 AI 辅助 X 光工具的研究文献正在迅速增加,要对最前沿的研究成果做一个有意义的综合综述是一项艰巨的任务。此外,跟上临床环境中商业 AI 部署的加速步伐,以及对其使用的批判性综述,正成为一项重大挑战。如今,不仅有大量关于放射学与 AI 的综述性文章和出版物,也有专门面向兽医放射科医生的文献[4–9]。诊断放射学工具大致可分为:检测与分诊类、分类与决策支持类、定量测量类,以及报告与工作流程类。
当前应用与潜在益处
根据现有文献,常规兽医 X 光中的 AI 研究涵盖四个主要领域:骨科(髋关节、髋关节发育不良和膝关节的检测)、胸部影像(肺部异常、胸腔积液及各种胸部病变的检测)、心影评估(包括自动椎心评分测量和心脏肥大分类),以及影像质量评估[10–13]。最大规模的部署涉及在超过 250 万张犬猫 X 光片上训练商业深度学习模型,通过半监督学习提高泛化能力,并利用自然语言处理从放射学报告中提取标签[14]。不同任务和研究间的总体性能差异很大,一些商业 AI 工具显示出较高的阴性预测值,但阳性预测值较低,这表明这些工具可能最适用于确认正常病例,而非对异常做出确定性诊断。AI 与兽医放射科医生之间的比较研究结果不一。在某些情况下,AI 在特定病变上的表现优于放射科医生,而在另一些情况下,放射科医生保持同等或更优的表现,这凸显了当前 AI 工具最适合作为决策支持辅助,而非自主诊断系统[15–21]。使用变分自编码器(variational autoencoders)的生成式主动学习方法的研究,可能解决兽医 X 光标注数据集有限这一根本挑战,但数据匮乏仍然是 AI 开发和验证的重大制约因素。
关于 AI 对全科诊所与转诊诊所的支持,目前关于不同规模诊所整体采用率的数据很少;因此,不能安全地根据诊所规模、患者数量、地理位置或其他潜在协变量对商业系统的适用性做出概括。值得注意的是,商业解决方案主要面向全科医生,而后者可能转而聘请放射科医生来监督 AI 模型的输出。
局限性、风险与失效模式
兽医放射学中的 AI 系统面临多种失效模式,执业临床医生必须识别这些模式。首先,AI 模型从根本上受限于其缺乏情境理解能力:商业 AI 系统可能在孤立地分析图像时,不整合患者病史、体格检查结果或其他诊断测试。当复杂病例需要超越像素级模式识别的细致临床推理时,AI 模型决策方式的不确定性或不透明性会带来风险。一个例子是年轻动物浆膜对比度的消失,这在生理上是正常的,但仅通过影像评估无法与病理改变区分。在这种情况下,临床医生必须将 X 光片上可见的骨骼成熟度标志与患者基本信息相结合,这一多步骤推理过程是当前 AI 系统可能无法复制的。其次,技术失效模式包括对训练图像与诊所实际图像之间差异的敏感性,以及当 AI 遇到与训练数据不同的影像设备、患者群体或技术方案时的性能下降,且这种下降通常在没有明显预警信号的情况下悄然发生[14]。第三,人机交互失效带来重大临床风险,尤其是自动化偏倚(automation bias)。自动化偏倚是指人类倾向于相信自动化系统的输出,而非自己的判断或其他专家的判断。这种偏倚的程度似乎与对自动化系统的信任度、任务难度、自信心、认知负荷和时间压力有关[22]。人类医学中的一个令人警惕的发现是,广义上自动化临床决策支持系统会诱发自动化偏倚[23]。Kücking 及其同事(2024)的研究表明,非专科医生(如全科兽医)使用 AI 时比专科医生(如兽医放射科医生)更容易受到自动化偏倚的影响。第四,许多兽医 AI 研究缺乏独立的金标准验证,这意味着性能声明可能无法反映与手术、病理或长期结局数据相比的真实临床准确性。此外,性能声明——尤其是对不常见疾病的声明——应与患病率数据和偏倚相权衡[24,25]。从根本上说,这是一个数据问题;标注良好的兽医数据集获取有限,制约了 AI 的开发和验证,导致兽医医学中 AI 的开发、部署和采用滞后于人类医学[26]。这些局限性强调了 AI 在放射学中的价值在于其作为决策支持工具的角色,需要放射科医生的监督,而非自主诊断权威。
监管、伦理与专业考量
目前,美国食品药品监督管理局(Food and Drug Administration, FDA)不像监管人类医学那样监管兽医产品中的 AI,这造成了兽医专用 AI 工具的监管真空。人类医学中的软件即医疗器械(Software as a Medical Device, SaMD)AI 产品在通过明确路径部署前,需要经过临床验证研究和监管审批[27]。相反,兽医 AI 产品没有强制性的独立测试、标准化性能基准或上市后监测要求[28]。这种验证的缺失导致兽医 AI 工具在几乎没有监督的情况下进入市场,将质量保证和风险评估的负担转移到了执业兽医及其诊所或机构身上。
监管空白要求兽医同时扮演复杂 AI 技术的采购者、验证者和事实上的监管者。在诊断放射学领域,美国兽医放射学学院(American College of Veterinary Radiology, ACVR)和欧洲兽医诊断影像学院(European College of Veterinary Diagnostic Imaging, ECVDI)已发布联合立场声明,"……概述了 AI 技术伦理开发和整合的指导原则,以确保患者安全和临床有效性[2]。" 建议包括:用户和开发者应采用良好机器学习实践(Good Machine Learning Practices),确保在使用 AI 时有兽医专业人员(最好是放射科医生)作为"人在回路"(human in the loop),支持对临床平台进行评估的研究和同行评审出版物,建立对 AI 产品进行无偏和独立评估的框架,以及最终承认使用 AI 时的法律责任[28]。
使用 AI 工具的兽医有伦理义务向客户披露这种使用,解释 AI 在诊断过程中的作用,并明确 AI 输出代表的是决策支持而非独立诊断(表 1)[29–32]。这种透明度对于知情同意至关重要,并能维持兽医—客户—患者关系中的信任。为动物医疗做出财务决策的客户——尤其是那些可能影响安乐死或昂贵治疗方案的决策——应该了解他们宠物的诊断建议基于哪方面的专业知识(人类、算法,或两者结合)。透明度原则不仅限于简单的告知,而是要有意义的解释:如果一名兽医无法用客户能理解的语言解释 AI 工具如何运作及其局限性是什么,这就引发了对该工具是否应该在临床实践中使用的严重质疑。 专业标准要求,正如可能使用 AI 的情况一样,标准诊疗技术应记录在患者病历中,并清楚了解 AI 生成的信息是如何整合到临床决策中的(见表 1)。
在 AI 工具的伦理和专业评估中,一个重要考量是成本与临床价值之间的关系,尤其是在兽医实践中医疗成本已成为一个难以把握的原则时。虽然 AI 辅助的判读通常比聘请 board-certified 放射科医生会诊便宜,但成本必须结合已证实的临床结局和患者获益来评估,而不能仅看购置价格。当 AI 使全科医生能够将病例留在诊所内部,而非将 X 光片转诊给专科医生,从而为客户提供快速诊断响应并降低成本时,AI 的价值主张就很有说服力。然而,需要严格的研究来确定基于 AI 的系统是否能产生与兽医单独工作或在放射科医生监督下工作相当的临床结局。这种比较效果研究在设计和实施上既具挑战性又成本高昂,但对于这些技术的循证采用仍然是必不可少的。
表 1 向客户告知人工智能使用的示例
| 使用前(示例) | "我将使用一个 AI 辅助软件工具来帮助分析您家狗狗的胸部 X 光片。这个计算机系统经过训练,可以识别常见异常,并标记出需要仔细关注的区域。但我想明确说明,我会亲自审阅所有图像和 AI 的建议,最终的诊断和治疗建议由我负责。AI 是辅助工具,不能替代我的专业判断。" |
| 在临床决策中记录 AI 的使用 | 病历记录示例:"已拍摄并评估胸部 X 光片(左侧位和腹背位)。AI 辅助判读软件(Vendor AI Tool V1.0)标记出肺野尾部可能存在间质性改变,置信度 85%。经本人复核,确认存在轻度间质性改变,符合早期支气管炎表现。AI 未标记图像上同时存在的肺门淋巴结肿大。最终诊断基于 X 线表现、临床表现和体格检查的综合判断……" 或者在 AI 与临床医生意见不一致的病例中:"在 AI 辅助下审阅腹部 X 光片(Vendor AI Tool V1.0)。AI 提示可能存在肠梗阻。本人亲自阅片显示气体分布正常,无梗阻证据;AI 可能误将降结肠内容物判断为异常。诊断:正常。计划:对症治疗轻度胃肠炎。" |
实际问题不仅仅是 AI 是否更便宜,而是它是否能为临床决策增加价值。例如,如果一个 AI 系统每次判读花费 $X,但通过标记诸如胃内容物之类的非特异性发现而产生了不确定性,从而触发额外的诊断检查(超声检查、升级放射科会诊),那么净成本效益就变得不明确了。同样,如果 AI 判读对经验丰富的人工阅片者能够自信诊断的疾病(如线性异物)产生模棱两可的结果,导致本不必要的下游检查,那么此类系统在常规临床实践中的适用性就值得审视。除非基于结局的研究证明 AI 能改善患者护理或以更低的总成本实现同等诊断准确性,否则 AI 工具的临床和经济价值仍不明确。
兽医临床中的 AI 系统依赖大量敏感数据,包括患者病历和客户个人信息,这引发了关于数据安全、隐私和所有权的关键问题[33]。兽医诊所必须确保 AI 系统使用的所有数据都经过加密和安全存储,并制定明确的政策规定谁可以访问这些信息。与美国人类医疗保健不同(《健康保险流通与责任法案》(Health Insurance Portability and Accountability Act, HIPAA)为数据保护提供了监管框架),这些责任由兽医和诊所承担。当患者影像数据被 AI 供应商采集用于训练或改进其算法时,数据所有权问题会变得复杂。诊所应明确客户数据是否与第三方共享、将如何使用,以及客户是否保留其动物医疗信息的所有权。兽医数据隐私缺乏监管指导意味着,诊所必须主动制定政策,在保护客户机密性的同时,实现有益的 AI 应用。
负责任临床实施的实用指南
每当新技术引入临床实践时,都应运用健全的变革管理原则。非采用、放弃、扩展、扩散与可持续性框架(Non-Adoption, Abandonment, Scale-up, Spread, and Sustainability, NASSS)(人类医学中常用,见 Shin 及其同事 2025 年的范围综述)建议在购买和部署任何新技术之前进行仔细规划[34]。人类医学中部署 AI 的最佳实践也适用于临床工作流程中的 AI 采用[35–37]。实施从组建多学科团队、建立基础 AI 素养、明确临床目标和在开发或采购 AI 模型之前验证数据质量开始。一个关键步骤是提前解决伦理和法律考量,然后进行团队培训和参与,以确保整个诊所的认同。整合需要通过持续监测和评估 AI 性能、主动管理系统变更和潜在干扰因素(如设备更新或工作流程修改),以及致力于跟上不断发展的 AI 能力和局限性来持续改进。一个循环框架认识到 AI 部署是一个迭代过程,可以测量和跟踪性能指标、工作流程兼容性以及与临床目标的一致性。最后,AI 系统在不断演进,诊疗模式在变化,临床需求也在变化,这强调了适应性是兽医医学中负责任采用 AI 的一项原则。表 2 总结了一些考量因素——虽然对于单个诊所来说可能不太现实,但对于更广泛的兽医界来说,通过合作研究和知识共享共同解决这些问题非常重要。
未来方向与开放问题
兽医 X 光中 AI 的未来可能由多模态 AI 系统的进步所塑造,这些系统整合了多种数据源,包括 X 光影像、临床病理结果、电子健康记录和患者病史[38]。AI 在自动报告生成和临床沟通中的应用,既是诊断放射学中的机遇,也是一个重大的风险领域[39]。虽然生成式 AI 模型在减轻文书负担和帮助标准化报告方面显示出潜力,但当 AI 起草的文本未经严格核实就进入病历时,幻觉风险引发了法律方面的担忧。最近关于影像报告基础的兽医放射学共识声明,以明确无误的方式提供了结构和可解释性,并且可以使用常用的大语言模型通过简单的提示轻松生成[40]。
表 2 兽医诊所负责任使用检查表
| 购买前 | ☐ 明确预期用途:物种、解剖部位、适应症、影像类型 ☐ 营销之外的证据:验证数据,而非仅仅是准确性声明 ☐ 训练数据披露:谁标注了图像,如何标注 ☐ 已知失效模式有说明(摆位、曝光、植入物、稀有品种) ☐ 更新政策:变更内容、频率、是否重新测试性能 ☐ 培训、教育和支持需求已明确 |
| 使用前 | ☐ 在团队中建立 AI 素养,让所有利益相关者参与 ☐ 用自己的 X 光片进行本地测试(小样本回顾性) ☐ 书面内部政策:何时使用 AI,何时不使用 ☐ 提醒员工注意自动化偏倚(AI 会漏诊;AI 会产生幻觉) ☐ 向主人告知使用情况 |
| 日常使用中 | ☐ AI 输出仅作建议,不作为诊断 ☐ 跟踪不一致病例(AI 与临床医生意见分歧) ☐ 未经重新评估和沟通不得静默升级 ☐ 软件更新或设备更换后重新评估 ☐ 性能下降时愿意关闭 ☐ 保持与时俱进,持续教育 ☐ 应对新影像技术的影响 |
| 知情同意与透明度 | ☐ 诊所能向客户清楚解释是否以及如何使用 AI ☐ AI 的使用不替代专业判断 ☐ 数据处理和隐私有记录 |
也许最关键的是,人类与兽医 AI 辅助放射学之间最大的差距在于(缺乏)验证框架和性能基准。虽然在大多数司法管辖区,对兽医 AI 平台的监管监督尚未成为优先事项,但该领域迫切需要兽医专用的 AI 验证标准,这些标准应考虑到物种多样性、不同诊疗类型中疾病患病率的差异,以及兽医影像的独特技术限制。此类框架的开发需要兽医领域专家、AI 开发者、专业组织和监管机构之间的合作。研究空白存在于多个维度:在不同诊疗环境中评估 AI 与 board-certified 专科医生相比性能的比较效果研究、在兽医背景下对自动化偏倚和人机交互模式的调查、评估真实世界临床影响和患者结局的纵向研究,以及开发检测和缓解已部署系统中数据漂移的方法。除非通过严格的同行评审研究解决这些问题,否则负责任、安全和有效地将 AI 整合到放射学中的责任,完全落在执业兽医身上。
总结
兽医放射学中的 AI 工具正越来越多地被用于解决人力短缺和工作流程压力,应用范围涵盖骨科、胸部影像、心脏评估和影像质量评估。迄今为止最大规模的部署在超过 250 万张 X 光片上进行了训练,目前市场上已有若干大型商业 AI 解决方案[5]。目前,FDA 不像监管人类医学那样监管兽医产品中的 AI,这造成了监管真空,兽医必须同时担任这些技术的采购者、验证者和事实上的监管者。
AI 系统面临关键局限性:它们缺乏对患者病史和临床发现的情境理解,在遇到不同设备或患者群体时容易发生静默性能下降,并会诱发自动化偏倚。自动化偏倚尤其成问题,因为非专科医生更有可能过度依赖自动化输出。标注兽医数据集的有限可用性进一步制约了验证工作。
负责任的实施要求兽医向供应商明确要求关于预期用途、训练数据和已知失效模式的透明度;在自己的 X 光片上进行本地验证测试;保持人在回路监督;跟踪不一致病例;并在性能下降时愿意禁用工具。兽医有伦理义务向客户披露 AI 的使用,在缺乏与 HIPAA 同等保护的情况下确保数据安全,并记录 AI 在临床决策中的作用(见表 1)。
该领域将大大受益于兽医专用的验证框架、基于标注良好的物种和品种多样化 X 光片的标准化性能基准,以及领域专家、开发者和专业组织之间的协作努力。在这些差距得到解决之前,确保安全有效整合 AI 的责任完全由执业兽医承担。
临床要点
- 要认识到人工智能(AI)是工具,不是临床医生。
- 执业兽医始终承担最终责任。
- 缺乏监管并不意味着缺乏责任。
- 如果你无法向客户解释 AI,你可能就不应该使用它。
- 在临床实践中采用 AI 技术时遵循最佳实践。
写作过程中人工智能及人工智能辅助技术的声明
在准备本文的过程中,作者使用了生成式 AI 工具,主要用于拼写检查和语法建议,以提高可读性。使用该工具后,作者根据需要审阅和编辑了内容,并对出版物的内容承担全部责任。
利益冲突声明
P.S. Basran 是 PrimVeterinary 的顾问。Ryan Appleby 是与本文主题相关的两家公司的联合创始人:Cygnus Veterinary Imaging Group(远程放射学集团,受放射学 AI 服务影响)和 Kairos Veterinary Technologies(面向放射科医生的 AI 辅助工具)。其他作者声明无利益冲突。
参考文献
-
Ziemer LS, De Haan CE, Cardwell AL, et al. ACVR and ECVDI consensus statement for teleradiology. Vet Radiol Ultrasound 2024;65(3):288–93.
-
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.
-
El Naqa I, Haider MA, Giger ML, et al. Artificial Intelligence: reshaping the practice of radiological sciences in the 21st century. Br J Radiol 2020;93(1106): 20190855. https://doi.org/10.1259/bjr.20190855.
-
Hennessey E, DiFazio M, Hennessey R, et al. Artificial intelligence in veterinary diagnostic imaging: a literature review. Vet Radiol Ultrasound 2022;63(S1): 851–70.
-
Appleby RB, Basran PS. Artificial Intelligence in Diagnostic Imaging Advances in Small Animal Care. 2024. doi:10.1016/j.yasa.2024.06.005.
-
Xiao S, Dhand NK, Wang Z, et al. Review of applications of deep learning in veterinary diagnostics and animal health. Front Vet Sci 2025;12:1511522. https://doi.org/10.3389/fvets.2025.1511522.
-
Burti S, Banzato T, Coghlan S, et al. Artificial intelligence in veterinary diagnostic imaging: perspectives and limitations. Res Vet Sci 2024;175:105317. https://doi.org/10.1016/j.rvsc.2024.105317.
-
Hespel AM, Zhang Y, Basran PS. Artificial intelligence 101 for veterinary diagnostic imaging. Vet Radiol Ultrasound 2022;63(S1):817–27.
-
Currie G, Rohren E. Intelligent imaging: applications of machine learning and deep learning in radiology. Vet Radiol Ultrasound 2022;63(S1):880–8.
-
McEvoy FJ, Amigo JM. Using machine learning to classify image features from canine pelvic radiographs: evaluation of partial least squares discriminant analysis and artificial neural network models. Vet Radiol Ultrasound 2013;54(2): 122–6.
-
McEvoy FJ, Proschowsky HF, Müller AV, et al. Deep transfer learning can be used for the detection of hip joints in pelvis radiographs and the classification of their hip dysplasia status. Vet Radiol Ultrasound 2021;62(4):387–93.
-
Ergün GB, Güney S. Classification of canine maturity and bone fracture time based on x-ray images of long bones. IEEE Access 2021;9:109004–11.
-
Shim H, Lee J, Choi S, et al. Deep learning-based diagnosis of stifle joint diseases in dogs. Vet Radiol Ultrasound 2023;64(1):113–22.
-
Fitzke M, Stack C, Dourson A, et al. RapidRead: global deployment of state-of-the-art radiology AI for a large veterinary teleradiology practice. arXiv 2021. https://doi.org/10.48550/arXiv.2111.08165. arXiv:2111.08165.
-
Pomerantz LK, Solano M, Kalosa-Kenyon E. Performance of a commercially available artificial intelligence software for the detection of confirmed pulmonary nodules and masses in canine thoracic radiography. Vet Radiol Ultrasound 2023; 64(5):881–9.
-
Yoon Y, Hwang T, Lee H. Prediction of radiographic abnormalities by the use of bag-of-features and convolutional neural networks. Vet J 2018;237:43–8.
-
Yoon Y, Hwang T, Choi H, et al. Classification of radiographic lung pattern based on texture analysis and machine learning. J Vet Sci 2019;20(4):e44. https://doi.org/10.4142/jvs.2019.20.e44.
-
Kim E, Fischetti AJ, Sreetharan P, et al. Comparison of artificial intelligence to the veterinary radiologist's diagnosis of canine cardiogenic pulmonary edema. Vet Radiol Ultrasound 2022;63(3):292–7.
-
Müller TR, Solano M, Tsunemi MH. Accuracy of artificial intelligence software for the detection of confirmed pleural effusion in thoracic radiographs in dogs. Vet Radiol Ultrasound 2022;63(5):573–9.
-
Ott J, Bruyette D, Arbuckle C, et al. Detecting pulmonary coccidioidomycosis with deep convolutional neural networks. Machine Learning with Applications 2021;5:100040. https://doi.org/10.1016/j.mlwa.2021.100040.
-
Banzato T, Wodzinski M, Burti S, et al. Automatic classification of canine thoracic radiographs using deep learning. Sci Rep 2021;11(1):3964.
-
Goddard K, Roudsari A, Wyatt JC. Automation bias: empirical results assessing influencing factors. Int J Med Inf 2014;83(5):368–75.
-
Kücking F, Hübner U, Przysucha M, et al. Automation bias in AI-Decision support: results from an empirical study. Stud Health Technol Inf 2024;317:298–304.
-
Frontiers | Editorial. Surfacing best practices for AI software development and integration in healthcare. Available at: https://www.frontiersin.org/journals/digital-health/articles/10.3389/fdgth.2023.1150875/full. Accessed December 2, 2025.
-
AI V. AI classifier performance - Sensitivity & specificity data - vetology. 2025. Available at: https://vetology.net/ai-classifier-performance/. Accessed March 16, 2026.
-
Kong CY, Vasquez P, Farhoodimoghadam M, et al. Enhancing AI accessibility in veterinary medicine: linking classifiers and electronic health records. arXiv.org. 2024. Available at: https://arxiv.org/abs/2410.14625v1. Accessed March 5, 2026.
-
Health C for D and R. Artificial intelligence and machine learning in software as a medical device. FDA 2021. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device. Accessed July 2, 2021.
-
Health C for D and R. Good machine learning practice for medical device development: guiding principles. FDA 2022. Available at: https://www.fda.gov/medical-devices/software-medical-device-samd/good-machine-learning-practice-medical-device-development-guiding-principles. Accessed May 19, 2023.
-
Coghlan S, Quinn T. Ethics of using artificial intelligence (AI) in veterinary medicine. AI & SOCIETY 2024;39(5):2337–48.
-
Cohen EB, Gordon IK. First, do no harm. Ethical and legal issues of artificial intelligence and machine learning in veterinary radiology and radiation oncology. Vet Radiol Ultrasound 2022;63(S1):840–50.
-
AAVSB | News. Available at: https://aavsb.org/news/article/187. Accessed March 25, 2025.
-
McGuire KC. AAVSB releases considerations for the use of AI in veterinary medicine. AAVSB 2025. Available at: https://www.aavsb.org/news/aavsb-releases-guidance-for-the-use-of-ai-in-veterinary-medicine/. Accessed March 5, 2026.
-
Pu S, Thompson M, Ross S, et al. Veterinary oncology data management in the era of artificial intelligence. Veterinary Oncology 2025;2(1):29.
-
Shin HD, Hamovitch E, Gatov E, et al. The NASSS (Non-Adoption, abandonment, scale-up, spread and sustainability) framework use over time: a scoping review. PLOS Digit Health 2025;4(3):e0000418. https://doi.org/10.1371/journal.pdig.0000418.
-
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.
-
Hemmer P, Schemmer M, Riefle L, et al. Factors that influence the adoption of human-AI collaboration in clinical decision-making. arXiv 2022. https://doi.org/10.48550/arXiv.2204.09082. arXiv:2204.09082.
-
Boverhof BJ, Redekop WK, Bos D, et al. Radiology AI deployment and assessment rubric (RADAR) to bring value-based AI into radiological practice. Insights Imaging 2024;15(1):34.
-
Acosta JN, Falcone GJ, Rajpurkar P, et al. Multimodal biomedical AI. Nat Med 2022;28(9):1773–84.
-
Seah JCY, Tang JSN, Tran A. Drafting the future: the dawn of AI report generation in radiology. Radiology 2025;316(1):e243378. https://doi.org/10.1148/radiol.243378.
-
Scrivani PV, Watson E, Joostens Z, et al. American College of Veterinary Radiology and European College of Veterinary Diagnostic Imaging consensus statement on imaging report foundations. Vet Radiol Ultrasound 2025;66(1):e13471. https://doi.org/10.1111/vru.13471.