Illuminating Bovine Cardiovascular Risks: A Hybrid Deep Learning and Biomarker Framework Using Retinal Imaging
Notice bibliographique
Résumé
Bovine cardiovascular disease (CVD) represents a critical challenge to global agriculture, threatening animal welfare and economic sustainability. Current diagnostic methods, such as electrocardiography and echocardiography, are invasive, costly, and impractical for routine herdlevel monitoring, limiting early intervention. Retinal imaging, proven transformative in human medicine for non-invasive detection of systemic diseases, remains underexplored in veterinary diagnostics due to anatomical differences and challenges in interpreting AI-driven models. Here, we present a pioneering, hybrid artificial intelligence (AI) approach combining bovine-specific retinal vessel segmentation and clinically interpretable vascular biomarkers for accurate early detection of CVD in cattle. Leveraging a portable fundus camera, we developed and validated the first bovinetailored U-Net model achieving an 89.34% Dice coefficient in retinal vessel segmentation, overcoming significant anatomical disparities. From segmented retinal images, we systematically extracted five critical biomarkers: vessel density, bifurcation angle, vessel tortuosity, branching density, and fractal dimension. Integrating these interpretable biomarkers with deep learning features derived from ResNet18 in a hybrid multilayer perceptron classifier markedly enhanced diagnostic accuracy, reaching 97.32%, with sensitivity of 98.2%. Notably, increased vessel tortuosity emerged as a pivotal and clinically relevant biomarker, corroborating findings from human cardiovascular research. Our framework uniquely addresses the interpretability gap of medical AI, providing veterinarians with transparent, biologically meaningful diagnostic parameters. This scalable, non-invasive diagnostic tool enables proactive herd management, earlier interventions, reduced livestock mortality, and improved agricultural productivity, laying a robust foundation for broader applications of AI-driven diagnostics in ethical and sustainable livestock management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».