基于视觉变换器的移动端集成系统：牛结节性皮肤病早期精准检测新策略

《Scientific Reports》：A vision transformer model-integrated mobile application for early and accurate detection of lumpy skin disease in cattle

本研究针对牛结节性皮肤病（LSD）传统检测方法耗时费力、资源受限的痛点，开发了一种集成视觉变换器（ViT）模型的移动端应用。通过分析8000张牛只图像，该模型实现了98.12%的准确率、98.5%的精确度与召回率，显著优于现有卷积神经网络（CNN）。研究成果为现场快速诊断提供了高效工具，对遏制LSD传播、降低畜牧业经济损失具有重要实践意义。

　　

牛结节性皮肤病（Lumpy Skin Disease, LSD）是由痘病毒科羊痘病毒属（Capripoxvirus）引起的牛类高度接触性传染病，其典型症状包括发热、皮肤结节及淋巴组织损伤，可通过吸血昆虫迅速传播。尽管病死率较低，但LSD导致的产奶量下降、皮革质量损失及贸易限制仍对全球畜牧业造成重大经济冲击。传统实验室检测方法（如PCR、病毒分离）虽可靠性高，但耗时较长、成本高昂，且难以在资源匮乏地区普及，亟需开发快速、低成本的现场筛查技术。

近年来，人工智能（AI）在医学影像诊断中展现出巨大潜力，尤其是卷积神经网络（CNN）在兽医领域已取得初步成果。例如，基于Xception、VGG16等预训练模型的LSD检测准确率可达96.39%。然而，CNN模型依赖局部特征提取，对图像中长距离空间模式的捕捉能力有限，且计算资源需求较高。视觉变换器（Vision Transformer, ViT）通过自注意力（self-attention）机制全局建模图像特征，在医学影像分类任务中表现优异，但其在LSD诊断中的应用尚未深入探索。

为此，Asad Ullah等研究人员在《Scientific Reports》发表论文，提出一种集成ViT模型的移动端应用，旨在实现LSD的早期、高精度检测。研究团队从Kaggle平台获取8000张标注图像（含4000张LSD感染牛、4000张健康牛），通过图像缩放、归一化及数据增强（随机水平翻转、10°内旋转）预处理后，采用Timm库中的ViT-Base模型（vit_base_patch16_224）进行训练。模型将输入图像（224×224像素）分割为16×16的块（patch），通过嵌入层转换为序列数据，并引入可学习类别标记（class token）和位置编码（positional encoding）以保留空间信息。多头自注意力（Multi-Head Self-Attention, MSA）模块与前馈网络（Feedforward Network, FFN）协同工作，最终通过分类头输出LSD阳性/阴性概率。训练使用AdamW优化器、交叉熵损失函数，结合余弦退火学习率调度，在50个epoch内完成优化。

模型性能验证

ViT模型在测试集上达到98.12%的准确率，精确度、召回率和F1-score均达98.5%。混淆矩阵显示，模型正确识别388例感染样本与401例健康样本，仅出现10例假阴性（False Negative）和1例假阳性（False Positive），表明其兼具高灵敏度与特异性。与MobileNetV2（准确率96%）、DenseNet201（94%）、Xception（93%）等CNN模型相比，ViT在四项指标上均居首位，凸显其全局特征捕捉优势。

移动端应用部署

为提升技术实用性，团队基于Flutter框架开发跨平台移动应用，集成PyTorch Lite格式的ViT模型。用户可通过摄像头实时拍摄或从相册上传牛只图像，应用在1秒内返回“LSD阳性”“LSD阴性”或“非牛类图像”三类结果。界面设计简洁，包含主功能页、相机操作页及结果展示页，支持非专业人员快速操作。现场测试表明，应用在多种设备上均保持稳定性能，为牧场主、兽医提供便携筛查工具。

结论与展望

本研究证实ViT模型在LSD检测中具有显著优势，其高精度与实时推理能力为畜牧业疾病防控提供新思路。然而，当前数据集规模有限（8000张图像），且未涵盖不同地域、光照条件下的临床样本，未来需联合兽医机构扩大数据多样性，并探索多模态数据（如热成像）融合。此外，模型需进一步优化以适配低端设备，结合地理标记技术实现疫情动态监测。这项技术有望成为LSD防控体系的关键组成部分，推动AI在兽医诊断中的规模化应用。