基于比较图像的深度学习模型评估：用于诊断猫的不同眼部疾病

《The Veterinary Journal》：Comparative Image-Based Evaluation of Deep Learning Models for the Diagnosis of Different Ocular Diseases in Cats

　　

摘要

眼部疾病是导致猫视力障碍的主要原因之一，因此需要准确、及时的诊断才能有效治疗。本研究旨在比较不同深度学习（DL）架构在自动识别和分类猫眼疾方面的性能。研究使用了包含456张经过临床验证的眼部图像的数据集，这些图像涵盖了13个类别（12种眼部疾病和1个健康组），并通过迁移学习（使用预训练的ImageNet权重）对九种卷积神经网络（CNN）架构进行了训练，其中包括ResNet、EfficientNet、DenseNet、MobileNet和VGG模型。训练过程中应用了数据增强技术和五折交叉验证。使用Cohen's Kappa和McNemar检验来评估不同架构性能差异的统计显著性。在测试集上，EfficientNet-B0获得了最高的分类准确率（78%），而DenseNet-121获得了最高的宏观平均F1分数（0.76）和曲线下面积（AUC）（0.9790），其次是EfficientNet-B0（0.9750）和ResNet-34（0.9724）。混淆矩阵分析显示，樱桃眼、健康状态和角膜分离症的分类一致性最强（某些情况下精确度和召回率均达到1.00），而青光眼（召回率0.25）和角膜溃疡（F1分数0.29）的分类一致性最弱。McNemar检验表明EfficientNet-B0、DenseNet-121和ResNet-34之间没有统计学上的显著差异（p>0.05），所有九种架构的单张图像推理时间介于2.67至5.73毫秒之间。应用于EfficientNet-B0模型的梯度加权类激活映射（Grad-CAM）可视化结果显示，该模型在分类过程中关注了具有临床意义的眼部区域。总体而言，EfficientNet-B0、DenseNet-121和ResNet-34的结果表明，基于DL的多类分类可以帮助临床决策猫眼疾的诊断。

引言

近年来，基于DL的CNN已成为计算机视觉领域中最先进的人工智能（AI）方法之一，在某些任务中的诊断准确率甚至可与人类相媲美或超过人类（Jammal等人，2020年）。DL的快速发展得益于高性能图形处理单元的广泛可用性、对大规模标注数据集的更好访问以及网络架构方法的持续改进。这些进展显著加速了基于AI的图像分析系统在临床实践中的整合，尤其是在医学影像诊断工作流程中（Kim等人，2019年；Rahimy，2018年）。

一个具体的例子是2018年美国食品药品监督管理局（FDA）批准了IDx-DR，这是第一个能够自动诊断和分期糖尿病视网膜病变的基于AI的眼科系统，这清楚地展示了AI在眼部疾病管理中的临床潜力（Raman等人，2019年）。据报道，DL算法在从眼底照片中检测视网膜疾病（如糖尿病视网膜病变和年龄相关性黄斑变性）（Gulshan等人，2016年；Lee等人，2017年）、评估青光眼眼中的视神经损伤（Christopher等人，2018年）以及识别眼部表面疾病（Ji等人，2022年）方面具有高诊断准确率。同样，基于DL的系统在自动分类视网膜病变方面也表现出可靠性能（Dong等人，2022年）。这些研究表明，通过整合基于AI的系统，基于图像的诊断流程可以从根本上得到重塑，而来自人类眼科的研究成果为兽医医学的转化应用提供了宝贵的方法论基础。

小动物眼科是一个需要高级专业知识的专门领域，因为系统性疾病会在眼部表现出来，同时局部眼部疾病也很常见。眼睛的解剖结构复杂且容易受到环境影响，因此诊断和治疗都需要多学科的方法（Park等人，2023年）。在临床实践中，结膜炎、角膜炎、干性角结膜炎、角膜溃疡、葡萄膜炎、青光眼和眼睑疾病是小动物中最常见的眼部疾病（Park等人，2023年；?eng?z-?irin等人，2023年）。特别是在猫身上，角膜表面疾病和继发性葡萄膜炎是突出的临床问题（?eng?z-?irin等人，2023年）。然而，这些疾病通常表现为非特异性临床症状，如流泪、眼睑痉挛、结膜充血和视力障碍，这使得及时准确的诊断变得复杂（?atalkaya等人，2023年；Lu等人，2018年）。由于常规眼科检查技术严重依赖于临床医生的经验和专业知识，专业培训的局限性可能导致诊断结果的差异性和误诊（Balyen和Peto，2019年）。因此，将包括机器学习和DL在内的AI子领域更深入地整合到眼科中，具有标准化诊断工作流程、减少主观解释和加强临床决策支持系统的巨大潜力（Lu等人，2018年）。

随着人类医学中专注于眼科的AI研究的迅速扩展，DL架构在兽医眼科中的应用也越来越受到关注（Buric等人，2024年；Kim等人，2019年；Tuason等人，2024年）。多种CNN架构已被证明在诊断眼部疾病（如葡萄膜炎）方面有效，其诊断性能与经验丰富的兽医临床医生的表现相当（May等人，2022年；Scharre等人，2025年）。除了直接的眼部疾病分类外，最近的研究还探索了使用视网膜成像来预测系统性疾病（包括心血管疾病）的潜力，突显了眼科图像分析的更广泛诊断潜力（Cihan等人，2024年）。

在犬眼科中，基于CNN的模型（如VGG、ResNet和EfficientNet）已被成功应用于开发强大的分割和分类框架（Buric等人，2024年）。DL方法在诊断多种眼部疾病方面显示出有效性，包括白内障（Jones和Vijayan，2025年）、溃疡性角膜炎（Kim等人，2019年）、樱桃眼（Buric等人，2024年）和青光眼（Tuason等人，2024年）。尽管已有使用不同算法对狗和猫的健康眼和患病眼进行对比评估的报道（?eng?z，2023年），但专门针对猫群体的研究仍然有限。在猫身上，对象检测方法的应用主要限于基于YOLOv5的模型，用于诊断白内障、樱桃眼和青光眼等疾病（Tuason等人，2024年）。

本研究的目的是使用大规模多类图像数据集，比较不同结构特征的DL架构（包括ResNet、MobileNet、EfficientNet和VGG）在自动识别和分类12种常见猫眼疾以及健康眼（总共13个类别）方面的分类性能。鉴于专门针对猫的研究数量有限且涉及多类诊断框架的研究较少，重点在于使用迁移学习方法识别每种架构在诊断准确性、灵敏度和泛化能力方面的优点和局限性。此外，还结合了基于Grad-CAM的可视化技术，以提高模型预测的可解释性，并评估基于DL的模型作为标准化诊断工作流程和减少兽医实践中主观解释的可靠临床决策支持工具的潜力。

章节片段

研究设计与数据集

本研究设计为一种回顾性观察性研究，旨在使用基于DL的方法对流浪猫的眼部图像进行多类分类。数据集来自2024至2025年间在动物收容所进行的常规临床检查所获得的图像，这些图像经过了临床验证并进行了数字存档。回顾性地审查了临床记录，共评估了300只猫的数据。应用资格标准后，选出了456张眼部图像...

测试数据集上的整体分类性能

本研究使用迁移学习方法在数据集上训练了九种不同的DL模型，并对其性能进行了比较分析。评估指标包括准确率、精确度、召回率和F1分数，结果见表2。

表2显示，在测试集上应用数据增强技术提高了所有评估模型的性能。尽管迁移学习方法带来了显著的分类效果...

讨论

本研究证明了多类DL方法在猫眼疾分类方面的诊断有效性和临床潜力。在评估的九种不同CNN架构中，EfficientNet-B0模型在测试集上获得了最高的分类准确率（78%），而在应用数据增强技术后，DenseNet-121获得了最高的宏观平均F1分数（0.76）和最高的宏观平均AUC（0.9790）。

结论

总之，EfficientNet-B0在九种架构中获得了最高的分类准确率（78%），而DenseNet-121获得了最高的宏观平均F1分数和AUC；根据McNemar检验，ResNet-34的表现与DenseNet-121相当。没有一种架构在所有指标上都优于其他架构；最适合的选择将取决于优先考虑的是原始准确率、所有13个疾病类别的平衡表现，还是其他因素...

伦理审批

本研究已获得约兹加特博佐克大学动物实验当地伦理委员会的伦理批准（决定编号：2025/11）。

资金

本研究未获得任何财务支持。

CRediT作者贡献声明

Aslan Canatan Vildan：写作——审稿与编辑、撰写初稿、监督、项目管理、方法论、研究、数据管理、概念构思。Kocaman Yakup：可视化、方法论、研究。Balc? Bilal Burak：可视化、方法论、研究。Canatan Uygur：写作——审稿与编辑、方法论、研究、数据管理、概念构思。Sancaktar Gizem K?ymet：写作——撰写初稿、可视化、验证、软件、方法论。

写作过程中生成AI和AI辅助技术的声明

作者确认在准备本手稿过程中没有使用任何基于AI的工具。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或可能影响本文工作的个人关系。

致谢

无

利益冲突声明

作者声明没有可能影响本文内容的竞争性利益。

Vildan ASLAN CANATAN | Uygur CANATAN | Gizem K?ymet SANCAKTAR | Murtaza C?C?O?LU | Ferda TURGUT | Yakup KOCAMAN | Bilal Burak BALCI居库罗瓦大学，切扬兽医学院，外科系，土耳其阿达纳