在犬生殖系统肿瘤中，睾丸肿瘤是一个常见的诊断发现，特别是在老年犬中（Grieco et al., 2008, Mosier, 1989, Riccio et al., 2026）。最常见的组织学睾丸肿瘤类型包括精原细胞瘤、莱迪希细胞瘤和支持细胞瘤（Orlandi et al., 2022）。从常规显微镜到数字化 WSIs 的转变加速了数字病理学的发展，为计算图像分析、算法决策支持和数据共享创造了新的机会（Aeffner et al., 2019, Ancheta et al., 2024, Prasad et al., 2025）。在这种背景下，AI 系统代表了兽医师理学的一项潜在创新，为特定形态学模式的可重复分析提供了工具（Fotouh, 2025, Rogers et al., 2024, Xiao et al., 2025）。这些系统可以通过识别与分类相关的图像区域和支持数字化组织切片片的解读来协助病理学家和研究人员（Ahmed et al., 2022, Campanella et al., 2019）。在特征学习方法中，深度学习算法，特别是卷积神经网络（CNNs），已被广泛应用于数字切片，因为它们可以学习层次表示并检测可能逃过人工评估的形态变化（Amaral et al., 2024, Gertych et al., 2019, Ponzio et al., 2019, Sarvamangala and Kulkarni, 2022）。在不同的物种和组织背景下，基于 AI 的计算病理学已被应用于从人类乳腺和肺癌分类到犬皮肤肥大细胞瘤中诊断信息区域定位的任务（Aubreville et al., 2020, Coudray et al., 2018, Sajiv and Ramkumar, 2023a, Sajiv and Ramkumar, 2023b, Sajiv and Ramkumar, 2023c）。除了组织病理学分类外，基于 AI 的方法也已应用于肿瘤学的不同领域，包括图像增强、肿瘤检测和早期诊断，以及个性化治疗计划（Balakrishna et al., 2025, Kumar et al., 2026, Sajiv and Meenakshisundaram, 2025, Sivakumar et al., 2023）。尽管取得了这些进展，基于 AI 的工具在兽医师理学中的实施仍然有限，主要是由于缺乏标注图像数据集和标准化验证协议（Abels et al., 2019, Battazza et al., 2024, Prasad et al., 2025, Zuraw and Aeffner, 2022）。鉴于这些因素，在我们的研究中，我们将这些方法具体应用于犬睾丸病理学，在同一验证框架内整合了互补的图块级别和 WSI 级别分类策略。这种设计允许在更具诊断意义的切片级别分类的同时评估局部形态区分，而 Grad-CAM 分析则提供了对贡献于 CNN 预测的组织学区域的评估。因此，本研究的目标是：(1) 开发并评估一个可重复的人工智能框架，用于从全切片图像中自动分类三种主要的犬睾丸肿瘤；(2) 比较互补的图块级别和切片级别建模策略；(3) 通过 Grad-CAM 评估 CNN 的可解释性。
