利用生产率指标来检测无监督学习的猪繁殖群中的异常
Mafalda Pedro Mil-Homens1,2, Chong Wang1,3, Giovani Trevisan1
1Department of Veterinary Diagnostic and Production Animal Medicine, College of Veterinary Medicine, Iowa State University, Ames, IA, United States.
Frontiers in veterinary science
|December 3, 2025
概括
无监督机器学习有效地检测到猪群生产率数据中的异常,信号潜在的疾病爆发. 这些模型显示了早期疾病检测的前景,而不需要标记数据.
科学领域:
- 动物科学动物科学
- 机器学习 机器学习
- 兽医流行病学 兽医流行病学
背景情况:
- 由于农场监测不一致,猪病监测在获取标记数据方面面临挑战.
- 无监督学习提供了一个解决方案,通过检测异常而不需要预定义的标签.
研究的目的:
- 评估无监督机器学习模型在识别猪繁殖群的生产率指标中的异常方面的有效性.
- 评估模型检测健康挑战的偏差的能力.
主要方法:
- 三种无监督模型 (隔离森林,自编码器,KNN) 应用于猪生产数据.
- 对群体周生产力指标进行异常检测,标记数周的得分高于第75个百分点.
- 用F1分数,精度和回忆来评估模型性能,将检测到的异常与已知的健康事件 (如PRRS和SVV爆发) 进行比较.
主要成果:
- 无监督模型在异常周和非异常周之间发现了生产率指标的显著差异.
- 模型在检测与猪生殖和呼吸系统综合征 (PRRS) 爆发相关的异常方面表现出高精度 (100%).
- 与PRRSV相比,在检测与塞内卡谷病毒 (SVV) 爆发相关的异常方面,性能较低.
结论:
- 无监督机器学习模型显示了在猪群中早期发现疾病的巨大潜力.
- 在生产率数据中检测异常可以作为猪群新出现的健康问题早期预警系统.
相关概念视频
01:01Production Efficiency
18.1K
Net production efficiency (NPE) is the efficiency at which organisms assimilate energy into biomass for the next trophic level. Due to low metabolic rates and less energy spent on thermoregulatory processes, the NPE of ectotherms (cold-blooded animals) is 10 times higher than endotherms (warm-blooded animals).
18.1K
01:18Steps in Outbreak Investigation
470
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
470