《Veterinary Medicine and Science》：Artificial Intelligence in Veterinary Neurology: Comparative Insights From Human Medicine and Cross-Species Technology Transfer
背景：人工智能（AI）在兽医神经病学中正逐步应用于模式识别、预测及临床决策支持，其在比较与转化神经科学领域具有重要价值。目的：本综述系统梳理AI在兽医神经病学中的应用进展，对比人类神经病学相关成果，并在One Health框架下评估跨物种技术转化的潜力。方法：通过叙述性综述整合兽医神经病学多领域AI证据，涵盖神经影像与影像组学（radiomics）、电生理与癫痫发作检测/预测、步态与疼痛评估、形态学生物标志物发现、预后建模及实验室诊断工具。同时纳入人类研究以识别转化机遇、方法学挑战，并探讨迁移学习（transfer learning）与域适应（domain adaptation）的应用价值。结果：现有证据表明，AI在兽医神经病学的模式识别、预测及决策支持中展现潜力，已报道应用包括犬脑肿瘤分类、脊髓病变分级、癫痫发作监测及定量步态分析，且性能表现良好。然而，多数研究仍处于概念验证阶段，证据基础以单中心回顾性小样本研究为主，存在方案异质性高、前瞻性验证与外部验证不足等问题。模型校准、不确定性报告及临床相关错误权衡的报道普遍缺失。迁移学习与域适应有望缓解兽医数据集有限的瓶颈，而犬自然发生的神经系统疾病亦可反哺人类AI系统的优化。结论：兽医神经病学AI尚处早期发展阶段，未来需依托多中心协作、标准化数据实践、可解释且符合伦理规范的模型构建，以及更紧密的One Health伙伴关系，以推动安全转化应用。
1 引言
人工智能已从计算机科学的概念构想发展为医学诊断、预后评估及临床决策支持（clinical decision support, CDS）的实用工具。在人类神经病学领域，AI系统已在神经影像分诊与分割、脑电图（electroencephalography, EEG）分析及可穿戴传感器监测等场景中展现明确获益，但其实际效能受任务类型、数据质量及临床整合深度影响。机器学习（machine learning, ML）与深度学习（deep learning, DL）作为核心技术，可从高维数据中学习复杂模式，经充分验证与合理部署后，可提升结果解读的效率与一致性。兽医神经病学AI属于新兴且快速发展的领域，伴侣动物（如犬、猫）可自发产生与人类疾病具有临床平行性的神经系统疾病，包括胶质瘤、特发性癫痫、脊髓损伤及Chiari样畸形（Chiari-like malformation, CM），这种生物学与临床重叠为跨物种技术转化创造了条件——人类医学中开发的模型架构、训练策略及表征学习可适配至兽医场景。值得注意的是，转化具有双向性：犬癫痫的长期真实世界监测可助力癫痫发作检测与预测方法的鲁棒性测试；犬胶质瘤可作为大型动物神经肿瘤影像模型；四足动物步态分析可扩展生物力学变异范围，提升运动分析模型的泛化能力。这种互惠视角契合One Health理念，强调人类、动物与环境健康的互联性，倡导数据共享基础设施与治理框架以支持数据驱动创新。然而，兽医神经病学AI的临床常规应用仍面临多重障碍：数据集普遍存在样本量小、异质性高、诊断设备、影像协议、品种及机构间标准化不足等问题；外部验证与前瞻性评估稀缺，模型校准、不确定性及错误权衡等临床相关指标的报告不完整；兽医神经病学专用AI监管路径有限，且预后工具可能影响手术决策或安乐死等不可逆临床决策，伦理考量尤为突出。基于此，本综述在比较框架下整合兽医神经病学AI应用证据，系统梳理神经影像与影像组学、电生理与癫痫发作检测/预测、步态与疼痛评估、形态学生物标志物发现、预后建模及教育与实验室工具等领域的进展，重点剖析影响转化的方法学局限、证据缺口及异质性来源，并明确从概念验证向临床可信部署过渡的实践与伦理要求。
2 方法
本综述为叙述性综述，旨在整合兽医神经病学AI应用证据，并在One Health框架下对比人类神经病学相关进展。检索数据库包括PubMed、Scopus、Web of Science及Google Scholar，检索时限为2010年1月至2026年1月，检索词组合涵盖“人工智能”“机器学习”“深度学习”“兽医神经病学”“犬癫痫”“癫痫发作检测”“癫痫发作预测”“兽医MRI”“影像组学”“神经影像”“步态分析”“疼痛识别”“预后建模”“临床决策支持”“跨物种转化”及“One Health”。通过筛选关键原始研究、综述及指南的参考文献补充相关文献。纳入标准包括：聚焦兽医神经病学、神经诊断或神经监测工作流程；采用AI/ML分析方法；或人类神经病学研究中具有明确兽医转化价值的内容。优先纳入报告临床任务、模型输入数据、AI/ML方法、验证策略及性能结局的同行评议原始研究；同时纳入综述、方法学论文及专业指南，以提供验证、可解释性、监管、伦理及实施的重要背景。排除标准包括：与神经系统疾病或神经诊断工作流程无关；方法学细节不足以致无法解读性能声明；或仅泛谈AI而缺乏领域特异性证据。由于本综述为叙述性综述，未采用PRISMA规范的筛选流程、荟萃分析及偏倚风险评分，结果可能受发表偏倚、兽医AI研究选择性可及性及研究报告标准异质性影响。为避免过度解读，证据讨论基于验证状态、临床成熟度、方法学局限及转化相关性，而非仅依赖 headline 性能指标。
3 AI基础与跨学科转化
人工智能指可完成模式识别、分类及决策支持等典型人类认知任务的计算机系统。机器学习通过数据学习提升性能，深度学习则利用多层神经网络从高维输入（如MRI、EEG及运动数据）中直接学习分层表征。在神经病学领域，经合理训练、验证与临床整合后，上述方法可提升特定任务的判读一致性与分诊效率，但其性能受数据质量、采集协议、队列构成及工作流程设计的显著影响。兽医神经病学AI常用监督学习处理标记预测任务（如MRI病变分类），同时采用无监督、半监督及自监督学习以利用部分标记或非标记数据——兽医场景中专家标注并非完全缺失，但常嵌入异质性诊断报告、影像判读、细胞学/组织学记录及临床病例摘要中，且多以非标准化、非结构化形式存储于不同机构，难以清洗、整合为机器学习训练数据。需注意，影像组学等定量方法应作为定性临床判读的补充而非替代，其合理应用仍依赖领域专业知识、临床背景及影像质量控制。迁移学习是兽医神经病学的核心技术，可将人类大样本预训练模型适配至犬脑肿瘤分类、脊髓病变分级等兽医任务，减少对大规模兽医专用队列的需求。但跨物种与跨中心的数据集偏移、类别不平衡及小样本量可能增加过拟合风险，若仅依赖内部验证易产生乐观性能估计。研究应明确报告验证设计，纳入外部测试集，并讨论校准、不确定性等临床相关属性，尤其针对决策支持场景。转化亦具双向性：犬特发性癫痫等自然发生的神经系统疾病可提供生态有效的数据流，犬颅内脑电图（intracranial EEG, iEEG）可在人类研究中难以复现的长期真实世界条件下评估癫痫发作预测算法。此外，兽医神经病学还可通过提供运动分析的形态与生物力学多样性、脊髓损伤后康复的真实世界结局、疼痛或功能监测信号，助力人类AI模型在异质性条件下的泛化能力评估。在One Health框架下，跨物种AI转化需依托共享标准、透明验证及显式域适应，以校正物种间解剖、生理、采集协议及临床终点的差异。技术转化的合理性需满足：目标任务与临床终点在物种间具有可比性；性能需在目标物种中验证而非仅依赖人类数据推断；预期获益需同时涵盖兽医与转化价值。例如，尽管部分EEG动力学在物种间保守，但颅骨几何结构与电极放置会改变信号特征，需定制化预处理与标准化流程。跨物种比较需避免假设“表观相似的临床结局在功能或福利意义上完全一致”，当兽医数据用于转化AI开发时，需纳入物种特异性终点、主人报告的生活质量及临床医师评估的功能指标。通过统一元数据、标准化终点及透明验证，可提升跨队列比较的可解释性。兽医神经病学可通过适配成熟人类方法加速AI发展，同时提供互补疾病模型与多样化数据集，提升模型的鲁棒性与泛化能力，但需明确声明方法学局限，结论需与现有证据强度匹配。
4 神经影像与影像生物标志物发现中的AI
神经影像在人类与兽医神经病学的病变定位、疾病表征及治疗规划中均居核心地位。与人类神经放射学同步，兽医神经影像研究正从纯定性视觉判读向AI支持的定量影像分析（包括DL与影像组学流程）转型。人类神经病学中，卒中分诊与病变分割等AI影像应用已进入特定任务的监管临床应用阶段，为兽医转化提供参考。兽医神经影像AI多处于研究或概念验证阶段，但文献已证实多项临床相关问题的技术可行性。
4.1 诊断分类与分级任务
4.1.1 脑肿瘤分类与分级
犬神经肿瘤学研究表明，AI可支持MRI-based脑肿瘤分类与分级，尤其当影像组学特征提取自瘤周水肿等生物学信息区域时。例如，基于GoogLeNet的卷积神经网络（convolutional neural network, CNN）通过迁移学习区分犬脑膜瘤与胶质瘤，准确率超91%；基于影像组学的支持向量机模型通过分割强化、非强化及瘤周水肿区域，提取高维纹理特征，在肿瘤亚型与分级预测中展现高准确率。除亚型鉴别外，区分肿瘤性与炎症性颅内轴内病变是兽医临床的重要需求，因二者MRI表现重叠且常规实践中常无法获取组织病理学确诊。一项119例犬的回顾性研究显示，MRI纹理分析联合随机森林分类器在区分胶质神经肿瘤与非感染性炎性脑膜脑炎的测试集中准确率达85%，支持定量影像在视觉判读模棱两可时的病因分类价值。但该研究在胶质瘤分级及炎症亚型分类中性能有限，凸显了当前“广谱疾病分类”与“精细诊断分层”间的差距。上述发现与人类胶质瘤影像组学研究一致，瘤周纹理已被证实与肿瘤生物学特征相关，但兽医证据仍受限于队列规模、单中心采集及外部验证不足。
4.1.2 脊髓病变检测与分级
在脊髓影像领域，基于DL的分级方法已用于犬椎间盘疾病（intervertebral disc disease, IVDD）。基于VGG的CNN通过矢状位T2加权MRI评估病变严重程度，总体准确率高，但在罕见或不典型病例中性能下降，提示对类别不平衡与分布偏移的敏感性。脊髓结局的转化解读需格外谨慎，因物种间临床可接受结局差异显著：犬猫即使存在显著影像异常仍可维持可接受生活质量，而人类轻微病理改变可能导致严重功能障碍。因此，脊髓AI模型需将影像终点与物种特异性功能、福利及主人报告结局对齐，而非直接套用人类残疾指标。这与人类脊髓影像AI的局限一致，强调临床应用前需统一采集协议、强化验证及妥善处理少数类别。同时需推行“兽医在环”部署模式，AI输出作为资质临床医师监督下的决策支持信号，而非自主诊断结论，符合ACVR/ECVDI关于影像AI应用透明度、验证、患者安全及兽医专业责任的指南。
4.2 定量MRI（qMRI）与参数映射
qMRI可实现表观扩散系数（apparent diffusion coefficient, ADC）、分数各向异性（fractional anisotropy, FA）及灌注相关指标的体素水平测量，较纯定性评估更具客观性。但其在兽医神经病学中的应用受限于小样本、采集协议异质性及跨中心标准化不足。犬猫脑体积小导致常规临床体素包含更高比例异质性组织，空间平均效应增强，可能降低定量指标稳定性。研究指出，犬猫qMRI临床转化的核心障碍是缺乏标准化采集与分析流程，这与人类qMRI早期发展阶段类似。犬癫痫的扩散加权MRI研究显示，发作间期ADC映射可识别梨状叶（含杏仁核）及半卵圆中心等区域的扩散差异，提示定量扩散成像可检测常规结构MRI不可见的异常，但该研究基于小队列、手动感兴趣区（region of interest, ROI）放置及单一影像设置，当前兽医qMRI结果应视为初步影像生物标志物信号，而非经临床验证的决策支持工具。
4.3 形态计量学与形状生物标志物
形态计量学通过量化神经解剖结构识别疾病相关模式，可捕捉手动测量难以发现的细微改变。兽医神经病学中，自动形态计量学在骑士查理王猎犬的Chiari样畸形（CM）与脊髓空洞症（syringomyelia, SM）研究中应用最广泛。基于形变映射与ML的形态特征分析可识别颅后窝及寰枕区与CM相关疼痛及SM相关的形态学特征，判别性能中等至良好。这与人类Chiari畸形研究一致，颅后窝形态与枕骨大孔拥挤具有临床意义。但跨物种解读需谨慎，相似解剖测量未必直接对应人类、犬猫的临床残疾、疼痛或生活质量结局。除CM/SM外，体积与区域萎缩映射在人类神经退行性疾病中已成熟，正逐步应用于兽医领域（如犬认知功能障碍、癫痫相关海马或颞叶体积测量），可作为监测与临床试验的客观终点，但其性能受分割质量、诊断设备、影像协议变异及队列代表性的影响。
4.4 影像组学作为影像生物标志物提取工具
影像组学将医学影像转化为纹理、形状及强度等定量特征集，可关联组织学、表型或预后。犬胶质瘤中，源自非强化肿瘤核心与瘤周水肿的影像组学特征已通过支持向量机或随机森林等经典ML模型预测组织学类型与分级，这与人类胶质瘤影像组学研究一致，影像特征已关联分子与临床终点。但需避免过度宣称临床成熟度，兽医影像组学目前应定位为前景广阔的生物标志物发现方法，而非经临床验证的诊断替代方案。其转化需依托标准化分割、可重复特征提取、多中心测试及真实世界条件下（不同设备与协议）的模型性能报告。
4.5 跨物种转化与One Health协同
多数兽医神经影像AI流程通过迁移学习借鉴人类放射学模型架构与训练策略，可减少数据需求并加速概念验证开发。转化亦具双向性：犬胶质瘤、IVDD等自然发生的疾病可作为大型动物模型，评估算法在真实临床变异下的鲁棒性。但双向价值的发挥需明确各物种的目标任务、影像终点及临床结局，而非假设物种间等价。这种双向视角将跨物种影像AI纳入One Health框架，以共享验证目标、统一元数据及透明治理为核心，而非单向移植人类算法至兽医实践。因此，跨物种技术转化需包含域适应与目标物种验证，方可推广性能声明。
4.6 局限、方法学要求与临床成熟度
尽管报告性能指标乐观，多数兽医神经影像AI研究仍为回顾性、单中心、小队列，过拟合风险高且泛化性有限。外部测试集与前瞻性验证稀缺，校准、不确定性及真实疾病流行率下的错误权衡等临床相关报告不完整。诊断设备、脉冲序列、分割实践、品种形态及病例构成的差异可导致跨机构部署时的数据集偏移。数据共享是实际障碍：兽医影像数据多存储于机构专用系统，临床价值标注常存在于叙事报告中，而非标准化机器可读格式。核心挑战并非专家判读缺失，而是将异质性、孤岛化的临床记录与影像标注转化为标准化训练数据集。解决上述局限需神经影像专用基础设施而非仅优化算法，优先步骤包括：多中心协作、标准化采集与标注实践、透明报告验证设计，以及采用类似脑影像数据结构（Brain Imaging Data Structure, BIDS）的统一框架以提升兽医神经影像可重复性。在上述要求未系统满足前，多数兽医神经影像AI应定位为研究阶段或决策支持候选技术，而非独立临床诊断系统。
5 电生理与癫痫发作预测中的AI
EEG与iEEG是人类与兽医神经病学癫痫诊断、监测与预后的核心工具。其作为高维非平稳时间序列，适合DL系统学习复杂电生理数据的时域与频域特征。但报告性能受记录硬件、电极放置、预处理策略、镇静状态、伪影处理及队列构成的显著影响。多数兽医研究仍处于概念验证阶段，临床可部署性有限，解读需重点关注验证设计、跨中心泛化性、校准及临床相关错误权衡。
5.1 自动EEG判读
人类神经病学中，CNN与循环神经网络（recurrent neural network, RNN）在发作间期棘波检测、癫痫发作诊断及伪影剔除中性能优异。兽医应用方向一致，但受限于小数据集与临床整合不足。算法已可在选定场景下识别犬头皮EEG的痫样放电，性能接近资深脑电图医师，有望减少判读时间与观察者间变异。为强化临床相关性，研究需报告真实条件下（噪声、镇静状态、电极导联、伪影负荷及跨中心采集差异）的性能变化；可行时需开展外部验证与校准报告，因高准确率未必等同于可信决策支持。此外，EEG应用需考虑时间相关性映射或可解释性可视化，以指示算法决策贡献最大的时间窗、频段或时频特征，提升临床可解释性与信任度。
5.2 癫痫发作预测
癫痫发作预测（定义：发作前数分钟至数小时预判事件）是转化癫痫研究的前沿领域。犬自然发生的癫痫通过长期iEEG监测提供连续真实世界发作数据，是开发预测算法的宝贵平台。基于受试者特异性CNN（输入原始iEEG信号与频谱图）的平均灵敏度约79%，且预警时间占比低，优于随机预测；CNN与长短期记忆（long short-term memory, LSTM）网络等RNN的比较研究显示，在选定受试者中F-score>0.7。上述结果支持DL在兽医与人类癫痫预测中的技术潜力，但预测指标需结合临床效用解读：假阳性、预警时间负荷及跨记录日的稳定性直接决定系统临床可接受度。不同场景的误差容忍度差异显著：医院或ICU环境中，为支持预处理或抢救药物预给药，可接受较高假阳性率以优先保障灵敏度；而面向主人的家庭监测设备需严格控制假阳性，避免频繁报警引发焦虑、降低依从性及削弱设备信任。此外，多数预测流程基于小队列或受试者内设置，常规兽医转化仍需前瞻性评估与跨中心测试。
5.3 跨物种与跨模态转化
犬癫痫是癫痫发作预测的宝贵比较模型，其自然发病、长期监测及真实世界变异提供了人类研究难以复现的数据流。人类EEG开发的DL模型可通过域适应方法（如欧氏对齐或对抗特征空间匹配）适配犬数据；将犬iEEG纳入模型训练可提升跨异质数据集的鲁棒性，减少特定记录条件下的过拟合。但跨物种与跨中心部署易受数据集偏移影响（源于颅骨几何、电极定位、放大器特性、环境噪声及传感器放置的差异），因此混合物种训练不能直接作为临床转化证据，需在目标物种及预期记录场景中重新验证性能。
5.4 特征学习与可解释性
尽管原始信号DL模型日益普及，熵、相干性及限带功率等手工特征在训练数据有限时仍具价值。融合深度特征提取与工程化电生理特征的混合方法已在部分研究中提升性能。但临床接受度不仅依赖准确率，更取决于可解释性。显著图、层-wise相关性传播及时间相关性映射等技术可识别预测前驱状态的时域或频域模式，提升临床可解释性。临床部署时，可解释性需与不确定性估计及校准检查结合，因可解释但校准不良的模型仍可能误导决策。同时需清晰报告预处理、伪影处理、操作阈值及模型失效模式，以提升可重复性与跨研究可比性。
5.5 临床效用与局限
癫痫发作预测可通过支持早期干预、调整患者活动及优化抢救药物或监测时机，助力治疗管理。兽医应用场景包括可穿戴或动态监测（类似Holter监测），以识别日常环境中的受试者特异性发作风险模式，但此方向仍属新兴研究，尚未成为标准诊疗工具。当前障碍包括兽医数据集有限、发作动力学个体差异大、设备相关变异及跨临床环境的前瞻性验证不足。因此，兽医电生理AI应定位为前景广阔的早期决策支持技术。转化需依托更大规模多中心数据集、标准化采集与标注、前瞻性测试、校准与不确定性报告，并明确目标用户（医院场景的兽医专业人员或家庭监测的主人）。同一灵敏度与假阳性特征对临床与情感的影响因用户而异。总体而言，癫痫发作检测与预测是神经病学双向跨物种AI创新的典范，但需经真实兽医工作流程验证后方可临床部署。
6 AI在运动障碍、步态分析与疼痛评估中的应用
运动功能与疼痛的定量评估在兽医神经病学中至关重要，因传统评估依赖临床医师观察、主人报告及主观评分系统。AI方法可提供客观、高分辨率的 locomotor 模式、姿势、活动及疼痛相关行为测量，支持早期检测与一致性监测。但多数兽医应用仍处于研究阶段，模型暴露于记录条件、患者形态、物种、品种、操作者技术及临床工作流程变异时性能可能下降，需明确区分概念验证研究与具备常规临床决策支持资质的工具。
6.1 基于可穿戴传感器的步态分析
兽医神经病学中，附着于项圈、胸背带、肢体或躯干的惯性测量单元（inertial measurement unit, IMU）联合ML或DL模型已用于步态异常分类。近期研究显示，基于多部位IMU数据训练的CNN可区分健康步态与神经/骨科疾病相关步态，选定数据集中多分类准确率>90%。性能受传感器放置、设备类型、采样率、固定松紧度、传感器方向漂移及分析活动（如行走vs trotting）影响。这与人类帕金森病及卒中康复的可穿戴步态分析一致，体表传感器可提供疾病严重程度与康复的运动学标志物。马神经病学与骨科是AI步态与姿势分析的重要场景：站立、运动及协调 locomotion 能力是马福利、运动功能及临床决策的核心，客观步态技术已在马临床较小型动物更普及，传感器或压力系统可为跛行定位、神经源性步态评估及康复监测提供决策支持数据。同时，智能项圈与活动监测仪生成的加速度计与陀螺仪数据集是伴侣动物 mobility 变化纵向检测的潜在资源，但商业数据可及性、标注质量及外部验证仍是主要障碍。
6.2 基于视觉的步态与姿势识别
基于2D或3D姿态估计的计算机视觉方法已用于兽医患者运动分析。ML算法通过追踪关节轨迹、体段角度、步幅模式及负重行为随时间的变化，可检测细微姿势不对称。这与人类神经病学研究一致，无标记运动捕捉正逐步用于运动障碍评估与康复结局监测。兽医转化中，视觉系统需跨物种与实践场景验证，因相机放置、地面材质、光照、被毛长度、体型、操作者位置及遮挡模式显著影响姿态估计质量，多物种部署时，基于单一体型或步态模式训练的模型可能无法可靠泛化。临床决策支持工具应用前需标准化记录协议与跨场景鲁棒性测试。
6.3 自动疼痛识别
兽医疼痛识别仍具挑战性，尤其当物种或场景下行为体征细微、被掩盖或观察者不熟悉时。AI面部与行为分析正被探索用于提升疼痛评估的一致性。基于地标 morphometric 模型（量化耳位、眶周紧缩、口鼻张力及面部几何等特征）在部分猫急性疼痛数据集中性能优于端到端CNN图像分类器，地标法分类准确率约77%，CNN约65%，提示解剖学知情特征提取在小训练数据集中具优势。可解释AI（explainable AI, XAI）研究显示鼻与口区域对模型决策贡献显著，与经验证的猫疼痛面部评分量表成分一致。自动疼痛识别在小鼠、大鼠及兔等实验动物中亦具重要价值，其细微行为与面部疼痛体征可能非专科观察者不熟悉，经验证的计算机视觉系统可支持持续福利监测，提升人道终点评估的一致性，减少研究团队与兽医人员的判断分歧，提供标准化可审计观察。类似方法已在人类新生儿与危重症护理中应用，用于非语言患者疼痛评估（需结合临床背景）。但疼痛模型解读需谨慎，面部特征与行为可能受镇静、应激、保定、物种/品种特异性形态及非疼痛疾病状态干扰。为具备临床可信度，研究需报告模型对这些混杂因素的处理方式，当输出用于支持治疗决策时需报告校准或不确定性。
6.4 转化相关性
步态、姿势与疼痛分析是跨物种AI转化的理想基础，其涉及可跨兽医与人类场景比较的测量行为或生物力学信号。人类步态异常算法可通过物种特异性骨骼模型、运动学特征及姿势表征适配至四足动物运动。反之，兽医 locomotor 数据集可让算法暴露于比多数受控人类康复数据集更广泛的体型、步态模式、自然发生神经系统疾病及真实世界康复轨迹变异中。双向价值的最大化需明确统一终点（如 mobility、功能恢复、疼痛严重程度、福利状态或治疗反应），而非仅通过通用准确率指标比较性能。
6.5 实施考量
尽管研究场景性能乐观，临床采纳仍受限于硬件成本、工作流程整合挑战、人员培训需求及跨多样实践环境的验证需求。需标准化传感器定位、视频记录、活动选择及标注协议，以支持多中心数据聚合与模型训练。实际部署需明确系统操作者、输出如何整合至常规门诊及AI输出与临床判断冲突时的处置流程。缺乏上述实施细节时，受控数据集报告的性能未必转化为真实世界临床获益。
7 AI在预后建模与临床决策支持中的应用
神经病学中，准确预测对治疗规划、主人咨询、转诊决策及临床资源分配至关重要。AI可整合临床、影像及电生理数据构建预测模型，支持风险分层与决策。尽管此类方法在人类神经病学中应用日益广泛，兽医应用仍不成熟。多数兽医预后与决策支持模型仍处于概念验证阶段，性能解读需结合队列规模、病例构成、疾病流行率、验证设计及预期用途。临床转化需明确区分辅助分诊/风险分层模型与经充分验证可影响高 stakes 决策的模型。
7.1 癫痫病因分类
区分新发癫痫犬为特发性或结构性常需高级影像，而影像检查成本高或可及性有限。研究显示，基于体格检查、发作史及人口统计学数据的贝叶斯网络模型区分结构性癫痫与特发性癫痫的准确率近97%，年龄、发作簇集及近期发作活动是重要预测因子。这与人类神经病学研究一致，随机森林与梯度提升等ML模型已基于床旁数据实现癫痫病因分类。但回顾性数据集的高准确率不等同于可安全替代诊断影像：频谱偏倚、类别不平衡及中心特异性转诊模式可能夸大性能估计，且多数研究未报告校准、预测值或决策曲线分析等直接关联临床咨询的指标。兽医实践中，结构性癫痫假阳性可能导致不必要的治疗升级或不可逆的主人决策，假阴性则可能延误可治疗病例的影像检查。因此，此类模型目前应定位为分诊支持或风险分层辅助工具，需经多中心外部验证并报告临床可解释的错误权衡后方可升级。
7.2 手术预后
预测脊髓损伤后功能恢复对病例选择、转诊决策、治疗规划及主人咨询至关重要。严重胸腰椎椎间盘脱出（thoracolumbar intervertebral disc extrusion, IVDE）犬的研究显示，整合神经学检查、MRI指标及发病至手术时间的XGBoost模型预测行走功能恢复的曲线下面积（area under the curve, AUC）达0.95。这与人类脊髓损伤预后模型一致，整合影像与临床数据预测长期功能结局。但预后AUC需结合外部验证、校准及手术时机、影像协议、术者经验、康复强度及结局定义的变异稳健性解读。跨物种解读需特别注意：“良好恢复”或“可接受功能”在动物与人类中的临床、福利及生活质量意义未必一致。缺乏上述校验时，模型可能过拟合至本地实践模式而非反映真实生物学预后。预后输出需报告不确定性区间并关联可操作阈值（如识别需转诊、补充影像或强化康复的病例），而非呈现为确定性预测。
7.3 多模态预后整合
整合临床、影像、电生理及遗传等多模态输入可提升部分神经疾病场景的预测准确率。人类多发性硬化中，整合MRI病变负荷、脊髓萎缩及血清生物标志物的深度神经网络预测残疾进展的准确性优于传统分级系统。兽医神经病学中类似整合模型仍多属理论范畴，但随着多中心数据集扩展将逐步可行。兽医转化中，多模态建模需谨慎处理缺失数据、统一采集协议，并明确报告各模态的增量价值，否则可能增加模型复杂度与过拟合风险而无实际效用提升。前瞻性设计与多中心数据共享对证明跨品种、设备、协议及临床场景的泛化性尤为重要。
7.4 决策支持系统
除预后外，AI还可支持病例分诊、诊断优先级排序及治疗规划。兽医神经病学近期最现实的场景包括：紧急影像病例优先级排序、辅助结构化测量、标记需专科会诊病例及支持随访规划。全自动鉴别诊断或治疗推荐系统等复杂应用仍属实验阶段。需明确区分，因狭窄、定义清晰的决策支持工具更易验证、监测与治理，优于宽泛的自主系统。实施障碍包括与影像归档与通信系统（PACS）及诊所管理系统的整合、部署后模型监测、临床医师培训及AI建议与临床判断冲突时的责任分配。因此，决策支持系统需设计为“兽医在环”模式，AI输出辅助而非替代专业判读与临床责任。
7.5 警示与临床责任
AI预后模型可提升一致性并支持结构化决策，但应增强而非替代临床判断。过度依赖偏倚、不完整或验证不足的模型可能损害患者护理，尤其当输出影响手术、长期治疗规划或安乐死等高 stakes 决策时。兽医预后AI应作为受监督的决策支持工具引入，需明确预期用途、外部（优先前瞻性）验证、校准与不确定性报告，并向主人透明沟通局限。高 stakes 场景下，评估需超越AUC或准确率等区分指标，纳入净临床获益、伤害最小化及真实流行率与成本约束下的临床相关错误阈值。在上述要求满足前，兽医神经病学预后AI应视为风险分层辅助工具，而非不可逆临床决策的独立依据。
8 AI在教育与实验室中的应用
尽管多数神经病学AI聚焦诊断、预后与监测，AI亦正影响兽医教育与实验室研究，可支持教学、技能培养、自动行为评分及更标准化的实验评估，契合“3R原则”（替代、减少、优化）等伦理目标。但教育与实验室工具成熟度差异大，其价值取决于可重复数据捕获、标准化标注、明确预期用途及可测量的结局（如学习者表现、评分者间一致性、行为评分可靠性或动物福利指标）。
8.1 神经解剖学与神经病理学教学
神经解剖学是兽医教育中极具挑战性的领域，尤其当学生需整合正常结构解剖与病理及影像表现时。基于MRI数据集的AI辅助3D重建可生成结合解剖结构与临床影像实例的交互式脑模型。例如，犬MRI的DL分割可支持构建高保真3D模型用于教学，帮助学生将神经解剖结构与疾病相关影像特征关联。类似工具已用于人类医学教育，AI增强的虚拟与增强学习平台支持神经解剖教学与手术模拟。此类系统应定位为教学辅助而非专家授课的替代。其有效性需通过对照教育结局验证，包括学习者表现、知识留存、诊断推理或解剖识别任务的评分者间一致性的提升。另一优先方向是将AI素养、验证原则与AI伦理纳入兽医课程与继续教育，使未来全科医师与专科医师能批判性评估算法工具，而非依赖营销声明或未验证性能指标。
8.2 实验动物行为分析
行为神经科学中，AI驱动的视频与音频分析可减少人工评分的 labor 强度，提升动物行为检测与分类的一致性。大鼠研究中，基于超声 vocalization（USV）频谱图训练的CNN已用于分类叫声类型并关联行为背景，为评估社交与认知功能提供更客观的方法。自动系统可识别人类观察者易忽略的细微行为模式，在采集与标注协议标准化后，可提升实验可重复性。通过提升效率与减少评分变异，自动化可支持3R原则，帮助研究者用更少动物或优化终点获取可靠数据。但泛化性仍是核心局限：行为模型对相机放置、光照、笼具几何、品系/品种差异、饲养条件及实验室特异性操作敏感。需透明报告采集条件、标注协议、模型验证及跨中心测试，避免过度宣称性能可移植性。
8.3 研究场景中的福利与疼痛监测
AI疼痛与福利识别在实验及伴侣动物中的应用详见6.3节，本部分聚焦实验室实施场景。研究场景中，自动监测 mobility、姿势、面部表情及活动模式可支持更一致的福利评估与痛苦/功能下降的早期检测。此类系统可能影响镇痛方案或人道终点决策，因此需报告不确定性、最小化有害错误特征，并在常规动物福利监测应用前经兽医专家评估验证，尤其对小鼠、大鼠及兔等实验动物，其疼痛或痛苦细微体征可能非专科观察者不熟悉。
8.4 教育中的可解释AI（XAI）
兽医与人类培训场景中，XAI兼具透明度与教育功能。对学生而言，MRI热图、显著图或EEG相关性映射等可视化可帮助理解模型输出贡献最大的影像区域或信号片段。XAI输出还可帮助教育者利用真实临床案例演示特征-疾病关联。但可解释方法若被视为确定性因果证据可能产生误导。为保持教育完整性，XAI可视化应作为需专家背景、验证及人工监督的解读辅助。学生需学习AI系统输出生成机制、潜在失效模式、验证评估方法及临床责任的必要性。
8.5 跨领域知识转化
许多兽医培训用教育AI工具源自人类医学教育并适配至兽医课程。反之，兽医场景开发的系统（尤其大型动物步态分析、行为表型及实验动物监测）亦可反哺人类康复、骨科培训及转化神经科学研究。这种双向知识流动进一步强化了One Health框架下跨物种AI转化的协同价值。
