Applications of artificial intelligence in veterinary anatomical pathology : enhancing diagnosis and treatment in animal healthcare

Abstract

Artificial intelligence is revolutionizing the field of veterinary anatomical pathology, offering transformative tools to enhance diagnostic accuracy and support personalized treatment approaches for animals. The present study explores the integration of artificial intelligence technologies into the analysis of histopathological images to improve diagnostic efficacy and accuracy. A deep learning model was trained on histopathological images for animal tissue disease classification. Model performance was validated using internal and external datasets, supplemented with genomic and clinical data. The artificial intelligence model achieved 92.3% cumulative accuracy for image classification. It achieved excellent accuracy and recall for neoplastic conditions—94.8% accuracy and 97.8% recall for lymphoma and 91.3% accuracy and 93.6% recall for carcinoma. Inflammatory conditions were identified with 89.4% accuracy, and normal tissue with 96.5%. The addition of genomic and clinical data raised diagnostic accuracy to 94.8%, enhancing the model’s ability to distinguish between highly similar cancer subtypes and predict clinical outcomes, including survival. The artificial intelligence was more accurate than board-certified veterinary pathologists with statistically significant improvement in accuracy (p < .05). Use outside the development lab was confirmed to 90.2% accuracy. Image processing took 2.5 seconds on average by the model, which is proof of real-time clinic application. Artificial intelligence, particularly when supported by multimodal data, is a potent tool for enhancing veterinary diagnostics, enabling faster, more precise disease classification and enabling personalized treatment strategies. Штучний інтелект революціонізує галузь ветеринарної анатомічної патології, пропонуючи трансформаційні інструменти для підвищення точності діагностики та підтримки персоналізованих підходів до лікування тварин. У цьому дослідженні досліджується інтеграція технологій штучного інтелекту в аналіз гістопатологічних зображень для покращення діагностичної ефективності та точності. Модель глибокого навчання була навчена на гістопатологічних зображеннях для класифікації захворювань тканин тварин. Продуктивність моделі була перевірена з використанням внутрішніх та зовнішніх наборів даних, доповнених геномними та клінічними даними. Модель штучного інтелекту досягла кумулятивної точності 92,3% для класифікації зображень. Вона досягла відмінної точності та повноти для неопластичних станів — точність 94,8% та повнота 97,8% для лімфоми, а точність 91,3% та повнота 93,6% для карциноми. Запальні стани були ідентифіковані з точністю 89,4%, а нормальні тканини — з 96,5%. Додавання геномних та клінічних даних підвищило діагностичну точність до 94,8%, покращивши здатність моделі розрізняти дуже схожі підтипи раку та прогнозувати клінічні результати, включаючи виживання. Штучний інтелект був точнішим, ніж у сертифікованих ветеринарних патологоанатомів, зі статистично значним покращенням точності (p < 0,05). Використання поза лабораторією розробки було підтверджено з точністю 90,2%. Обробка зображень моделлю займала в середньому 2,5 секунди, що свідчить про застосування в клініці в режимі реального часу. Штучний інтелект, особливо за підтримки мультимодальних даних, є потужним інструментом для покращення ветеринарної діагностики, що дозволяє швидше та точніше класифікувати захворювання та розробляти персоналізовані стратегії лікування.