绵羊肺部图像识别（SPIRO）：一种用于绵羊肺病变宏观评估的可解释深度学习框架

《The Veterinary Journal》：Sheep pulmonary image recognition (SPIRO): An explainable deep learning framework for macroscopic assessment of ovine pulmonary lesions

　　

绵羊肺部图像识别（SPIRO）：一种用于绵羊肺病变宏观评估的可解释深度学习框架。研究人员从撒丁岛屠宰场收集了一个包含1052张绵羊肺部图像的数据集。研究人员开发了一个两阶段YOLOv11-EfficientNetB0框架，用于对绵羊肺病变进行分类。该模型在将健康、炎症性和肿瘤性绵羊肺分类中达到了90%的测试准确率。Grad-CAM突出显示了绵羊肺病变中与诊断相关的区域。研究人员开发了一个基于Web的应用程序，用于绵羊肺病变的AI辅助评估。

论文解读

绵羊肺病是影响绵羊生产的重要健康挑战，对动物福利、群体生产力和养羊业的经济可持续性造成严重影响。慢性疾病如绵羊肺腺癌（OPA）和各种形式的肺炎可导致进行性肺损伤、胴体降级、生长性能下降以及兽医和管理成本增加。然而，商业化屠宰场中的肺健康评估仍主要依赖宰后肉眼检查，这种方法受操作者主观性以及观察者间和观察者内变异性的制约，存在通量有限和病变表征不一致的问题。随着人工智能（AI）重塑诊断影像领域，它为客观、可扩展且可重复的绵羊肺病变检测与分类提供了引人注目的机会。目前，两个关键限制阻碍了基于AI的绵羊肺评估系统的发展与应用：缺乏大规模、公开且经专家注释的绵羊病理数据集，以及模型可解释性的需求。深度学习（DL）的数据密集型特性使得缺乏物种特异性精选数据集成为稳健模型开发和验证的主要障碍。同时，可解释性对于临床和兽医应用至关重要，因为透明度能提高用户信任度、诊断可靠性和实际应用性。为解决这些空白，本研究提出了一种两阶段DL框架，用于宰后绵羊肺病评估。

研究人员从意大利撒丁岛的多个屠宰场在常规屠宰检验程序中采集了肺图像和组织样本。所有样本均经过两阶段诊断评估：首先由4名训练有素的兽医研究人员使用标准大体病理标准进行宏观评估；随后对代表性组织样本进行组织病理学分析，以建立和验证每个宏观图像对应的诊断标签（健康、炎症或肿瘤），组织病理学仅用于标签确认。原始数据集包含1052张图像，存在明显的类别不平衡，特别是肿瘤类别仅包含34个样本。研究人员采用离线数据增强技术（包括旋转、平移和翻转）解决了该问题，生成了2616张图像的平衡数据集（每类872张）。增强后的数据集被随机分层划分为训练集（n=1570；60.02%）、验证集（n=523；19.99%）和测试集（n=523；19.99%）。研究人员使用Roboflow平台进行肺区域标注和预处理，并通过YOLOv11格式导出用于两阶段流水线。训练在NVIDIA T4 GPU上通过CUDA加速在Google Colab的Ubuntu 20.04环境中进行，分类模型开发使用Python 3.10、TensorFlow 2.14和Keras，YOLOv11检测器使用Ultralytics框架训练。

在架构选择方面，研究人员在相同条件下对四种广泛采用的CNN架构（VGG16、VGG19、ResNet50和EfficientNetB0）进行了比较评估。所有网络使用224×224像素输入分辨率、Adam优化器（学习率0.0001）和分类交叉熵损失，在10、20、40和80个epoch下进行训练与评估。结果显示EfficientNetB0在测试集上取得了最佳类别性能，健康、炎症和肿瘤类别的准确率分别为0.78、0.75和0.95，峰值验证准确率为72.29%（40个epoch）；而VGG16和VGG19表现有限，峰值准确率分别为56.22%和55.02%，且在高epoch下出现退化。基于这些发现，研究人员将EfficientNetB0集成到两阶段流水线中：第一阶段使用YOLOv11进行肺区域定位，第二阶段使用EfficientNetB0对裁剪区域进行分类。在测试集上，该流水线实现了90%的总体准确率，其中肿瘤类别分类表现最强（99%），健康类别为85%，炎症类别最具挑战性（80%）。与独立EfficientNetB0分类器相比，检测引导分类带来了约18个百分点的提升。研究人员将训练好的EfficientNetB0模型导出为HDF5格式，并集成到基于Streamlit的Web应用中，该应用允许用户上传肺图像并返回预测诊断标签和Grad-CAM热力图。

研究结果表明，宏观评估中炎症病变最为常见（698例），其次为健康肺（320例）和肿瘤病例（34例）。组织病理学评估则识别出707例炎症、329例健康和16例肿瘤。宏观与组织病理学诊断之间的显著差异出现在肿瘤类别，34例疑似病例中仅16例经组织学确认，表明肉眼检查倾向于高估肿瘤状况，这可能是由于与其他病理模式的视觉相似性所致。组织病理学检查显示，健康肺保留了正常的肺泡结构和间隔；炎症病变主要以间质性肺炎为特征，伴有单核细胞浸润、水肿和间隔增厚，部分病例可见寄生虫参与；肿瘤病变则表现为沿肺泡间隔的鳞屑状生长模式以及乳头状和腺泡/管状结构，符合OPA的特征。两阶段框架的有效性得益于检测阶段减少了背景干扰，使分类器聚焦于肺实质。Grad-CAM可解释性显示预测主要基于生物学相关的肺区域，支持与兽医诊断标准的一致性。讨论部分指出，数据采集是在常规屠宰场条件下进行的，虽然引入了与光照、标本处理和方向相关的变异性，但增强了数据集的实际相关性和转化价值。模型比较仅基于单次训练运行，未进行重复试验或正式统计检验，因此应视为点估计而非统计验证的优越性。研究局限性包括肿瘤类别原始图像数量少（n=34），且增强在训练/验证/测试划分之前进行，增广副本可能分布在不同分区中，存在数据泄漏风险，因此接近完美的肿瘤评分（精确率0.98/召回率0.99/F1分数0.99）应被视为上限而非可推广的估计。研究结论指出，该两阶段DL框架结合YOLOv11肺定位与EfficientNetB0诊断分类，利用组织病理学验证的标签，实现了约90%的总体准确率，对健康和炎症肺具有稳健分类效果，肿瘤病变表现虽强但受数据限制。该研究支持可解释AI作为提高绵羊肺评估客观性、一致性和可扩展性的有前景工具，可应用于兽医病理学和屠宰场监测。未来工作应扩展和多样化数据集、纳入额外评估指标和多模态数据，并在不同牲畜物种和生产环境中验证模型。