基于生理,行为和牛奶质量指标的机器学习模型的应用,用于在乳牛中早期检测甲状炎
Karina Džermeikaitė1, Justina Krištolaitytė1, Ramūnas Antanaitis1
1Animal Clinic, Veterinary Academy, Lithuania University of Health Sciences, Tilžės Str. 18, LT-47181 Kaunas, Lithuania.
Animals : an open access journal from MDPI
|June 13, 2025
概括
机器学习模型使用非侵入性农场数据准确地检测到早期的牛甲状炎. 神经网络表现出最高的性能,通过自动监控,可以改善奶牛的健康和福利.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物健康监测 动物健康监测
- 机器学习在农业中的应用
背景情况:
- 甲状炎是乳牛常见的产后疾病,导致生殖能力下降和经济损失.
- 早期发现甲状炎对于及时干预和改善动物福利至关重要.
研究的目的:
- 研究机器学习 (ML) 技术在乳牛中早期检测甲状炎的有效性.
- 通过从日常收集的农场数据中使用生理学,行为和牛奶质量参数来评估ML模型.
主要方法:
- 收集了94头母牛的2707个每日观察结果,包括体重,反,牛奶产量/成分,SCC和料摄入量.
- 开发并比较了五种ML模型:PLS-DA,RF,SVM,NN和Ensemble,使用分层的80/20分割和不平衡的类权重.
- 评估模型使用准确度,AUC,MCC,灵敏度,特异性,PPV和NPV.
主要成果:
- 神经网络 (NN) 模型实现了最高的整体性能 (精度=96.1%,AUC=96.3%,MCC=0.79).
- SVM显示出最高的灵敏度 (90.9%),而RF和Ensemble模型显示出高特异性 (>98%) 和PPV.
- ML模型使用非侵入性,自动化数据有效地区分了健康的奶牛和肥胖的奶牛.
结论:
- 机器学习,特别是NN和Ensemble模型,可以有效地检测乳牛的早期甲状炎.
- 将这些ML模型集成到自动化健康监测系统中可以提高早期疾病检测和动物福利.
- 这项研究表明,使用常规收集的非侵入性农场数据来预测乳牛群的疾病的潜力.
