近日，河南农业大学信息与管理科学欧博 和欧博官网 的联合智能兽医实验室团队在国际知名学术期刊Computers in Biology and Medicine（中科院一区TOP期刊，影响因子7.0）发表了以河南农业大学为第一单位，刘亮亮教授为第一作者，张龙现教授为通讯作者的研究性论文《Automatic porcine diarrhea viruses classification using pathological images and hybrid semantic neural network》。该论文围绕仔猪传染性腹泻高发且致死率高的问题，提出了一种新型的基于病理图像的幅度-相位混合语义神经网络（APHNet），用于通过病理图像对猪流行性腹泻病毒（PEDV）进行分类，聚焦于提升不同病毒毒株的智能识别效率。

      猪传染性腹泻病毒（PEDV）是引发仔猪腹泻的主要病原，传染性强、致死率高，尤其对10日龄以内仔猪威胁极大，感染率和死亡率均可达100%。该病毒可引发严重的胃肠道损伤，给全球养猪业带来重大经济损失。由于PEDV及其相关病毒株具有高度的遗传多样性和表型差异，传统依赖兽医专家人工判读的病理图像识别方式效率低、准确率有限。为此，本研究团队提出一种新型的幅度-相位混合语义神经网络（APHNet），引入Transformer结构中的全局建模能力，并结合量子波函数的“幅度-相位”概念以增强特征表达。模型首先将病理图像划分为多个不重叠patch，并通过全连接层完成嵌入，随后送入多个语义信息混合单元提取语义特征，最终通过分类器完成病毒类型识别。该结构兼顾局部与全局建模能力，在提高识别准确率的同时具备更强的泛化性能。在团队建立的仔猪腹泻的数据库上验证了提出模型的性能，APHNet的准确率达85.56%，AUC值高达89.02%，达到了先进水平。

   
      为评估模型识别效果，研究团队采用Grad-CAM热力图技术对三种腹泻病毒的病理图像进行可视化分析。结果显示，APHNet能够区分不同病毒类型的特征，并在不同图像中聚焦于关键区域，模型关注区域与病理专家标注高度一致，具备良好的医学解释性。同时，模型还能识别出部分专家未标注的潜在异常区域，显示出对微小病变的敏感性。
      本研究充分体现了智能兽医实验室在动物疾病智能诊断领域的技术整合能力。作为信息与管理科学欧博 和欧博官网 “人工智能+动医交叉” 联合研究平台，实验室持续推进图像识别、模型构建与可解释性分析技术在重大动物疫病防控中的落地应用。所有图像由智能兽医实验室建设的高分辨率病理图像平台采集，涵盖2012–2024年516例猪只腹泻病例数据。研究得到河南省重点研发专项（242102211012）资助。
 
复制下方链接直达原文：
//doi.org/10.1016/j.compbiomed.2025.110748