使用牛奶物理性质在4级确定乳腺炎的严重程度:通过MLP进行深度学习方法,并在不同的SCC值进行评估
Muhammed Ikbal Yesil1, Serap Goncu1
1Cukurova University, Agricultural Faculty, Department of Animal Science, Balcali 01250, Adana, Turkiye.
Research in veterinary science
|May 25, 2024
概括
一个新的人工神经网络 (ANN) 模型使用牛奶特性准确检测牛的亚临床乳腺炎. 这种先进的模型优于传统方法,改善了早期疾病检测,以改善群体健康.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算生物学 计算生物学
- 动物科学动物科学
背景情况:
- 亚临床乳腺炎在奶牛群中带来了重大挑战,通常在视觉检查中无法检测到.
- 乳腺炎的经典诊断方法可能耗时,并且在亚临床病例中不太准确.
- 准确的早期检测亚临床乳腺炎对于有效的治疗和群体管理至关重要.
研究的目的:
- 开发和验证一个替代模型来分类乳腺炎在四个层面:健康,可疑,亚临床和临床.
- 为了比较多层感知子 (MLP) 人工神经网络 (ANN) 模型与多项逻辑回归 (MNLR) 的性能.
- 通过体细胞计数 (SCC) 评估最佳切断值,以区分健康病例和亚临床病例.
主要方法:
- 一个多层感知子 (MLP) 人工神经网络 (ANN) 模型是使用牛奶的五个物理性质来开发的:体细胞计数 (SCC),电导率 (EC),pH,密度和预先奶时的温度 (TFM).
- 该模型的性能在25%的测试数据集上得到验证,并与多项逻辑回归 (MNLR) 模型进行了比较.
- 使用SCC作为区分健康和亚临床乳腺炎的黄金标准指标来评估最佳切断值.
主要成果:
- 该模型的准确性高达95.14%,远远超过了MNLR模型 (80.27%).
- 尽管使用了更多的参数,但MLP模型的AIC得分 (-141) 与MNLR (-133) 相比更高.
- 五变量MLP模型显示高灵敏度 (93.22%) 和曲线下的面积 (AUC) 为0.95的健康分类在低切断值.
结论:
- 开发的MLP ANN模型为诊断亚临床乳腺炎提供了一个高度准确和有效的替代方案.
- 该模型的卓越性能表明它有可能改善乳牛乳腺炎的早期检测和管理.
- 建议在经济,可持续性,动物福利和健康方面进行进一步的研究,以确定实际应用的最佳值.
