| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شماره‌ها | 3,263 |
| تعداد مقالات | 36,061 |
| تعداد مشاهده مقاله | 55,210,808 |
| تعداد دریافت فایل اصل مقاله | 94,201,092 |
Applications of artificial intelligence in avian radiology: A systematic review of disease diagnosis, image interpretation, prognosis, and implementation challenges in veterinary medicine | ||
| Archives of Razi Institute | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 اردیبهشت 1405 اصل مقاله (964.79 K) | ||
| نوع مقاله: Review Article | ||
| شناسه دیجیتال (DOI): 10.22092/ari.2026.371993.4024 | ||
| نویسندگان | ||
| Sina Ghanbari1؛ Maryam Hosseinpour Mohammadabadi2؛ Laya Bahremandpour3؛ Zahra Boroomand* 4 | ||
| 1Doctor of Veterinary Medicine Student, Razi University, Kermanshah, Iran | ||
| 2Doctor of Veterinary Medicine Student, Islamic Azad University of Babol, Babol, Iran. | ||
| 3Doctor of Veterinary Medicine, Islamic Azad University of Baft, Baft, Iran. | ||
| 4Department of Veterinary Medicine, Faculty of Veterinary Medicine, Shahid Chamran University of Ahvaz, Ahvaz, Iran. | ||
| چکیده | ||
| Recent advances in artificial intelligence (AI) and deep learning have revolutionized medical image processing. Artificial intelligence is transforming all aspects of modern veterinary medicine, increasing the accuracy, speed, and efficiency of animal healthcare. However, the primary focus of AI has so far been on human medicine, and its applications in veterinary medicine, especially in the specialized field of avian radiology, have been less systematically investigated. This systematic review aims to summarize the available evidence and analyze the current role and future potential of AI in avian radiology. A systematic search of the PubMed, Scopus, Web of Science, and Google Scholar databases was conducted for studies published between January 2020 and January 2026. Keywords included combinations of “artificial intelligence,” “machine learning,” “radiology,” “diagnostic imaging,” “birds,” “poultry,” and “veterinary medicine.” Inclusion criteria were primary studies that specifically addressed the use of AI algorithms for interpreting radiological images (e.g., radiography, CT scans) across different avian species. Of the 257 studies identified, 21 met the inclusion criteria. The analyses show that AI applications in avian radiology are mainly focused on four areas: 1) automated disease diagnosis (e.g., pneumonia, ascites, joint dislocation, foreign body detection), 2) segmentation of anatomical structures and lesions (e.g., accurate determination of heart, liver, or pathological masses), 3) prognostic prediction (e.g., assessment of response to treatment in chronic diseases), and 4) image quality enhancement. Most of the developed algorithms were based on convolutional neural networks (CNN) and focused on chest and abdominal radiography of domestic (ornamental) and industrial poultry. The reported accuracy in studies for specific diagnostic tasks was often above 90%, indicating the high potential of this technology. Artificial intelligence is emerging as a powerful adjunct tool in avian radiology, increasing the accuracy, speed, and objectivity of image interpretation. AI has significant potential to assist general veterinarians and specialized radiologists. However, significant challenges, including limited access to large, well-annotated databases (data limitations), wide anatomical variation across avian species, and the need for validation in real clinical settings, have hindered widespread deployment of this technology. | ||
| کلیدواژه‌ها | ||
| Artificial intelligence؛ Birds؛ Deep learning؛ Disease diagnosis؛ Radiology | ||
| عنوان مقاله [English] | ||
| کاربردهای هوش مصنوعی در رادیولوژی پرندگان: مروری سیستماتیک بر تشخیص بیماری، تفسیر تصویر، پیش‌آگهی و چالش‌های پیاده‌سازی در دامپزشکی | ||
| چکیده [English] | ||
| پیشرفت‌های اخیر در هوش مصنوعی (AI) و یادگیری عمیق، پردازش تصاویر پزشکی را متحول کرده است. هوش مصنوعی در حال تغییر تمام جنبه‌های پزشکی دامپزشکی مدرن است و دقت، سرعت و کارایی مراقبت‌های بهداشتی از حیوانات را افزایش می‌دهد. با این حال، تمرکز اصلی هوش مصنوعی تاکنون بر پزشکی انسان بوده است و کاربردهای آن در پزشکی دامپزشکی، به ویژه در زمینه تخصصی رادیولوژی پرندگان، کمتر به طور سیستماتیک بررسی شده است. این بررسی سیستماتیک با هدف خلاصه کردن شواهد موجود و تجزیه و تحلیل نقش فعلی و پتانسیل آینده هوش مصنوعی در رادیولوژی پرندگان انجام شده است. جستجوی سیستماتیکی در پایگاه‌های داده PubMed، Scopus، Web of Science و Google Scholar برای مطالعات منتشر شده بین ژانویه 2020 و ژانویه 2026 انجام شد. کلمات کلیدی شامل ترکیبی از "هوش مصنوعی"، "یادگیری ماشین"، "رادیولوژی"، "تصویربرداری تشخیصی"، "پرندگان"، "طیور" و "دامپزشکی" بود. معیارهای ورود، مطالعات اولیه‌ای بودند که به طور خاص به استفاده از الگوریتم‌های هوش مصنوعی برای تفسیر تصاویر رادیولوژی (به عنوان مثال، رادیوگرافی، سی تی اسکن) در گونه‌های مختلف پرندگان می‌پرداختند. از 257 مطالعه شناسایی شده، 21 مورد معیارهای ورود را داشتند. تجزیه و تحلیل‌ها نشان می‌دهد که کاربردهای هوش مصنوعی در رادیولوژی پرندگان عمدتاً بر چهار حوزه متمرکز هستند: 1) تشخیص خودکار بیماری (به عنوان مثال، ذات‌الریه، آسیت، دررفتگی مفاصل، تشخیص جسم خارجی)، 2) تقسیم‌بندی ساختارهای آناتومیکی و ضایعات (به عنوان مثال، تعیین دقیق توده‌های قلب، کبد یا پاتولوژیک)، 3) پیش‌بینی پیش‌آگهی (به عنوان مثال، ارزیابی پاسخ به درمان در بیماری‌های مزمن) و 4) افزایش کیفیت تصویر. اکثر الگوریتم‌های توسعه‌یافته مبتنی بر شبکه‌های عصبی کانولوشن (CNN) بودند و بر رادیوگرافی قفسه سینه و شکم طیور خانگی (زینتی) و صنعتی تمرکز داشتند. دقت گزارش‌شده در مطالعات برای وظایف تشخیصی خاص اغلب بالای 90٪ بود که نشان‌دهنده پتانسیل بالای این فناوری است. هوش مصنوعی به عنوان یک ابزار کمکی قدرتمند در رادیولوژی پرندگان در حال ظهور است و دقت، سرعت و عینیت تفسیر تصویر را افزایش می‌دهد. هوش مصنوعی پتانسیل قابل توجهی برای کمک به دامپزشکان عمومی و رادیولوژیست‌های تخصصی دارد. با این حال، چالش‌های قابل توجهی، از جمله دسترسی محدود به پایگاه‌های داده بزرگ و دارای حاشیه‌نویسی خوب وجود دارد. | ||
| کلیدواژه‌ها [English] | ||
| هوش مصنوعی, پرندگان, یادگیری عمیق, تشخیص بیماری, رادیولوژی | ||
|
آمار تعداد مشاهده مقاله: 277 تعداد دریافت فایل اصل مقاله: 197 |
||