机器学习方法用于早期哺乳期乳头炎诊断,使用总和差异性体细胞计数
Alfonso Zecconi1, Francesca Zaghen1,2, Gabriele Meroni1
1Department of Biomedical, Surgical and Dental Sciences, School of Medicine, University of Milano, Via Pascal 36, 20133 Milan, Italy.
Animals : an open access journal from MDPI
|April 26, 2025
概括
使用体细胞计数 (SCC) 和中性粒细胞+淋巴细胞计数/毫升 (PLCC) 的机器学习模型可以帮助识别患乳内感染 (IMI) 风险的健康奶牛. 对非阴性结果需要进一步测试.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 数据科学数据科学数据科学
背景情况:
- 乳制品生产面临着不断增长的牛群规模和牛奶产量,需要数据驱动的效率改进.
- 新技术产生了大量的数据,需要先进的方法来提取信息.
- 乳牛的乳内感染 (IMI) 影响产量,需要准确的诊断.
研究的目的:
- 评估机器学习 (ML) 模型的准确性,使用体细胞计数 (SCC) 和中性粒细胞+淋巴细胞计数/毫升 (PLCC) 来识别由主要病原体 (MajPs) 引起的乳内感染 (IMI) 的牛.
- 为了比较实时PCR (qPCR) 和常规细菌学的诊断性能,以检测乳牛产后的MajPs.
主要方法:
- 一项涉及424头牛和1696个牛奶样本的初步研究.
- 利用机器学习 (ML) 算法来分析SCC和PLCC数据.
- 使用qPCR和传统细菌学识别了主要病原体 (S. aureus,S. agalactiae,S. uberis,S. dysgalactiae).
主要成果:
- 与传统细菌学相比,qPCR检测到MajPs的流行率更高.
- 细胞标记物 (SCC,PLCC) 在使用四分之一牛奶样本时,在诊断MajP IMI方面表现出高准确性和特异性.
- 机器学习算法表现出类似的性能,无论使用的特定算法如何.
- 这两种方法都显示了相似的负面结果流行率 (~71-72%).
结论:
- 使用ML分析的SCC和PLCC显示出有希望的健康奶牛或四分之一的识别,特别是由于高特异性.
- 通过随访测试在7-15天内确认"非阴性"结果对于准确诊断至关重要.
- 需要进一步的研究,以提高乳牛群IMI的整体诊断准确度.
