机器学习技术与红外热学相结合,优化牛子临床乳腺炎的诊断
Raul Costa Mascarenhas Santana1,2, Edilson da Silva Guimarães2, Fernando David Caracuschanski1
1School of Agricultural and Veterinary Sciences, São Paulo State University (UNESP), Jaboticabal, São Paulo, Brazil.
Veterinary medicine international
|February 17, 2025
概括
机器学习,特别是XGBoost,可以通过使用红外热学 (IRT) 数据来改善牛子临床乳腺炎 (SCM) 的早期发现. 乳头上最冷的点是准确SCM诊断的关键.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 机器学习 机器学习
背景情况:
- 牛亚临床乳腺炎 (SCM) 是乳制品行业的重大经济负担.
- 早期诊断对于有效的管理和治疗至关重要.
- 红外热学 (IRT) 提供了一种非侵入性的数据收集方法.
研究的目的:
- 评估和优化机器学习用于使用IRT诊断牛SCM.
- 应用极端梯度提升 (XGBoost) 算法来分析乳腺温度图.
- 确定关键的温度变量,以准确检测SCM.
主要方法:
- 在14个月内从97只奶牛收集了1035个牛奶样本.
- 利用体细胞计数的流细胞计量来确定乳腺健康状况.
- 分析了各种属性,包括温度数据,环境因素和牛奶成分.
主要成果:
- XGBoost算法确定了SCM分类的关键变量.
- 该模型使用所有温度变量实现了0.843的AUC和93.3%的特异性.
- 乳腺区域中最冷的点被确定为最有影响力的变量.
结论:
- 当与IRT相结合时,XGBoost可以增强SCM的诊断能力.
- 优化的模型可以作为SCM诊断的确认工具.
- 这种方法为早期发现和管理牛乳腺炎提供了一种有价值的方法.


