自动猪腹病毒使用病理图像和混合语义神经网络进行分类
Liangliang Liu1, Jinpu Xie1, Fengjie Zhao1
1Henan Agricultural University, Zhengzhou, 460045, Henan, PR China.
Computers in biology and medicine
|July 24, 2025
概括
一个新的AI模型,APHNet,从病理图像准确地分类了猪流行性腹病毒 (PEDV) 菌株. 这一进步提高了动物健康监测的检测效率和准确性.
科学领域:
- 兽医病理学 兽医病理学
- 计算生物学 计算生物学
- 动物健康中的人工智能
背景情况:
- 猪流行性腹病毒 (PEDV) 在猪中引起高度传染性肠道疾病,在小猪中感染率高达100%.
- 目前用于PEDV菌株分化的病理图像的手动分析是低效和不准确的,因为病毒的多样性.
研究的目的:
- 开发一种新,准确和高效的方法来分类猪流行性腹病毒 (PEDV) 菌株.
- 引入一种基于病态图像的混合语义神经网络,以提高诊断能力.
主要方法:
- 提出了一种新的基于图像的病理幅度和相位混合语义神经网络 (APHNet).
- 利用量子力学波函数概念 (振幅和相) 来表示图像特征和语义变化.
- 从图像令牌中提取了不同的语义信息,并确保了特征权重聚合.
主要成果:
- 在小猪腹数据库上,APHNet实现了高性能:准确率为85.56%,回忆率为85.07%,F1得分为0.86,ROC AUC为0.89.
- 证明了APHNet在PEDV分类方面的有效性.
- 视觉化和专家比较揭示了病毒株间病理表型的差异.
结论:
- APHNet提供了一种有效的解决方案,用于从病理图像中准确有效地分类PEDV.
- 该研究为加强动物健康监测和自动化生产系统提供了有价值的见解.
- 这种人工智能驱动的方法有可能显著改善兽医诊断.
