综述：乳品养殖的可持续性：一项系统评价，旨在利用机器学习（ML）技术了解乳腺炎和跛行的检测方法

《Annals of Agricultural Sciences》：Dairy farming sustainability: A systematic review to understand mastitis and lameness detection using machine learning (ML)

　　普特里·库苏玛·阿斯图蒂（Putri Kusuma Astuti）|佐尔坦·巴吉（Zoltán Bagi）|埃迪特·米科（Edit Mikó）|维尔莫什·比利茨基（Vilmos Bilicki）|格戈·苏达尔（Gerg? Sudár）|西尔维娅·库萨（Szilvia Kusza）
匈牙利德布勒森大学农业基因组学与生物技术中心，4032

**摘要**
乳腺炎和跛行仍然是奶牛养殖中的主要经济问题，而气候变化加剧了这些问题。自动化和机器学习在牛只健康管理中的使用日益增加；然而，当前的综述主要集中在精准畜牧业的整体健康管理上，缺乏针对乳腺炎和跛行检测的机器学习方法的具体比较。我们回顾了64篇关于机器学习在牛只健康应用方面的文章，重点关注乳房和运动系统疾病。我们的研究表明，自2018年以来，使用机器学习方法来解决这些健康问题的情况显著增加，反映了向数据驱动策略的转变。文献分析了各种数据类型，以预测疾病、识别病原体并开发预测模型。由于不同的算法更适合特定的数据类型和研究目标，且研究在数据来源、病例定义和评估协议方面存在很大差异，目前的证据并不支持任何单一方法在所有情况下都具有绝对优势。然而，可靠的机器学习方法在奶牛健康管理中仍面临数据标注不足、数据集不平衡以及缺乏标准化数据收集等重大挑战。这种方法有潜力减少人力投入和畜牧业健康监测所需的时间。不过，还需要进一步的研究来更好地理解这项技术，并提高其在各种农场条件下的适用性。

**1. 引言**
乳腺炎和跛行严重损害奶牛的福利，并对生产经济产生负面影响，其全球发病率很高（Thomsen等人，2023年）。2014年对美国奶牛场的一项研究（USDA，2014年）发现，乳腺炎是最常见的疾病，每年影响约25%的奶牛群；而一项针对美国奶业部门的建模研究（Rollin等人，2015年）显示，每例乳腺炎的平均经济成本约为444美元。其次是跛行（USDA，2014年），每年影响约17%的泌乳奶牛。根据Dolecheck和Bewley（2018年）的比较分析，跛行的每次发生的经济成本在76至533美元之间，包括疾病治疗、预防措施和生产力损失。
尽管这些研究是在相当早之前进行的，但它们有效地证明了这两种疾病在奶牛养殖业中造成的重大经济损失，而全球通货膨胀进一步加剧了这一问题。这些成本与疾病的持续时间和严重程度成正比，突显了早期检测和适当干预的重要性。尽管这些措施需要大量人力和成本，但解决乳腺炎和跛行仍然是奶牛养殖中的挑战。早期干预对于减轻经济负担和改善动物福利至关重要，但相关的成本和劳动强度给农民带来了持续的压力。
更糟糕的是，气候变化正在影响动物疾病的发病率、环境因素及其分布模式（Wanjala等人，2023年；Astuti等人，2024年），使得这一已经具有挑战性的任务变得更加复杂。Guzmán-Luna等人（2022年）通过风险评估技术支持了这一预测，显示在几种气候变化情景下牛乳腺炎的发病率更高。幸运的是，畜牧管理的数字化转型使得大数据的存储和利用成为可能，从而能够做出明智的健康管理决策。这种转变依赖于定量和定性的分析结果，减少了人力需求，并防止了重大经济损失（Dineva和Atanasova，2023年）。因此，机器学习处理复杂、多因素和动态数据的能力使其成为在日益多变的气候条件下预测和管理疾病的重要工具。
畜牧业最新的趋势被称为“智能农业”，它利用异构数据收集、数据存储和大数据分析技术来提供有洞察力的分析，以支持管理决策（Singh等人，2024a；Thakur等人，2024年）。相关技术包括物联网（IoT）（Surana和Sharma，2024年）、传感器（Lavrova等人，2023年）、成像和计算机视觉（Zheng等人，2023年）、人工智能（Zin等人，2023年）、机器学习（Romero等人，2023年）和云计算（Byabazaire等人，2019年）。通过利用从运动评分、体况和传感器数据等各种来源收集的数据，农民可以更有效地检测、预防和管理这些常见问题，从而提高动物福利、生产力和奶牛养殖的可持续性。已经开发出自动跛行检测技术来帮助农民更有效地管理他们的牛群（Dutton-Regester等人，2020年）。住房条件、管理实践和环境影响等因素在奶牛跛行的发生中起着关键作用（Ranjbar等人，2016年；Oehm等人，2020年）。整合传感器和先进技术进行跛行检测可以改进管理实践，并减少与跛行相关的环境影响（Chen等人，2016年）。早期检测和及时干预对于控制乳腺炎及其对奶牛群的影响至关重要（Ruegg，2009年）。
尽管畜牧业数字化仍在发展中，但仍需进一步的工作来确保这些技术在各种农业环境中的最佳可行性和可靠性。根据Cravero等人（2022年）的观点，大数据的自然属性（包括体积、多样性、速度和真实性）带来了挑战，需要进一步研究大数据和自动化技术在不同畜牧环境中的多样化应用。持续探索和发展对于充分发挥这些进步的潜力至关重要。
因此，本文系统地概述了机器学习在奶牛养殖中的趋势和发展，特别关注作为主要问题的跛行和乳腺炎。我们根据特定标准收集了相关的科学出版物，以确保来源的可信度。我们分析了收集到的文章中机器学习算法的应用，考察了所使用的数据类型和获取数据的方法。此外，我们还讨论了每种方法的优缺点，为未来的研究提供了有价值的指导建议。

**2. 材料与方法**
本研究进行了一项系统评价，以探讨机器学习在奶牛健康监测和疾病诊断中的应用。为了提高系统评价的透明度、清晰度和可靠性，我们采用了系统评价和荟萃分析的优先报告项目（PRISMA）框架（图1），该框架提供了一份应记录的要素清单。根据这些规定，我们创建并实施了一种精确的数据提取方法，明确了搜索范围、资格标准以及数据分析框架。

**3. 结果与讨论**
**3.1. 收集到的文章统计**
从在线资源中获得的1014篇科学文章中，只有64篇通过了筛选过程，最终成为本系统评价的一部分（表S1，第1页）。最初检索到的大量文章随后被排除，这反映了使用广泛的机器学习相关关键词，这是为了尽量减少错过相关、小众机器学习研究的风险。因此，进行彻底的手动审查是一个关键步骤。纳入本评价的文章发表于2005年至2024年6月期间（表S1，第2页）。自2018年以来，相关出版物的数量显著增加，2023年发表的文章数量最多（n=17）（图2）。根据当前趋势，预计2024年的发表论文数量将会更多。但需要注意的是，这些数据是在2024年年中收集的，可能无法完全代表全年的相关出版物总数。
德国研究人员从2020年开始将机器学习应用于乳房健康和运动系统疾病的研究。在此之前，机器学习仅用于研究单一疾病。相比之下，对跛行的研究开始得更晚。过去一年中，中国和美国在开发针对这两种疾病的机器学习方面处于领先地位。

**4. 下载资源**
- 下载高分辨率图片（303KB）
- 下载全尺寸图片

**图1. 本研究使用的文献筛选过程基于PRISMA（Page等人，2020年）**

**文献识别过程**
文献搜索的主要来源是Web of Science（https://www.webofscience.com/）和Google Scholar（https://scholar.google.com/）。搜索策略结合了物种术语、健康/疾病术语和方法术语，使用布尔运算符，例如：（“cattle” OR “dairy cattle” OR “cow” OR “bovine”） AND （“health” OR “health monitoring” OR “disease” OR “disease detection” OR “lameness” OR “locomotion disease” OR “mastitis”） AND （“machine learning” OR “artificial intelligence” OR “deep learning” OR “algorithm” OR “neural network”）。文献搜索的时间范围为2005年至2024年6月。

**筛选过程**
所有收集到的论文（n=1014篇）都经过了彻底的手动审查。首先，排除了重复的文章（n=583篇）。然后通过评估摘要和标题的相关性来排除文章。随后，对符合条件的出版物（n=288篇）的全文进行了详细审查，以排除不相关的研究。不符合以下标准的出版物被排除：（1）使用机器学习技术生成或训练数据集；（2）专注于奶牛健康；（3）经过同行评审；（4）不是综述文章。最终，有64篇文章被纳入本研究。

使用Microsoft Excel电子表格（Microsoft Corp，2018版）从选定的出版物中提取信息。记录了以下数据：作者、文章标题、期刊名称、摘要、发表年份、DOI/在线链接、主题类别、研究国家、作者所属国家、关键词、样本数量/数据类型、收集方法和使用的机器学习技术。对关键词记录进行了调整，特别是对于含义相同但形式可能不同的术语（例如缩写、复数或单数形式等）。在最后阶段，结果被整理成一份结构良好的综述，包括对所用材料和方法的详细回顾、对发现的解释和比较、结果讨论以及对任何限制的承认。可视化使用Canva（https://www.canva.com/，美国加利福尼亚州圣地亚哥）和RAWGraphs（https://www.rawgraphs.io/，Mauri等人，2017）完成。基于标题、摘要、关键词和算法描述的术语共现图使用VOSviewer v1.6.20（van Eck和Waltman，2010）生成。60%的最相关术语（共43个术语）构成了五个主要簇（图3）。为了使从文章中提取信息更加容易和有条理，作者开发了主题类别（表S1，第5页），包括运动疾病（n = 19）、乳房健康（n = 34）和组合（n = 11）。根据这三个主题类别并逐一手动检查文献内容，确定了四种类型的工作：疾病预测（n = 38）、健康监测（n = 26）、预测模型（n = 13）和病原体识别（n = 4）。使用了各种数据，主要是牛奶参数记录和传感器数据，例如计步器、加速度计、自动挤奶系统和温度监测器。正如Wagner等人（2020）所述，观察某些牛的行为是评估其健康状况的常见做法。或者，也可以使用诊断程序（Fuentes等人，2022；Devane等人，2023）。然而，在使用机器学习时，这种需要大量人工劳动并需要专业仪器和技术的传统方法被自动化方法所取代，例如利用现有的农场记录或传感器技术。Post等人（2021）认为，应该将传感器系统作为决策支持工具与农民的专家知识结合使用，而不是依赖它们作为独立的预测模型。

下载：下载高分辨率图像（687KB）
下载：下载全尺寸图像

图3. 从标题、摘要、关键词和算法描述中提取的43个术语的VOSviewer共现图。五种颜色代表五个不同的簇。节点大小表示术语频率，链接厚度反映共现强度，颜色表示五个主题簇。

经过进一步调查，确定了最合适的算法。一些研究旨在进行方法比较，但在只检查了一种技术的情况下，选择了该特定方法进行数据可视化（图4）。

下载：下载高分辨率图像（584KB）
下载：下载全尺寸图像

图4. 本综述中包含的64篇文献的工作类型、使用的数据以及最佳算法性能，按升序显示。
GA：遗传算法，NB：朴素贝叶斯，ET：额外树，GAM：广义加性模型，GLM：广义线性模型，LASSO：最小绝对值收缩和选择算子，MARS：多变量自适应回归样条，siam-AM：暹罗注意力模型，GBM：梯度提升机，CNN：卷积神经网络，LSTM：长短期记忆，GNB：高斯朴素贝叶斯，RNN：循环神经网络，AdaBoost：自适应提升，Rocket：随机卷积核变换，MLP：多层感知器，CBA：基于关联的分类，LR：线性回归，DL：深度学习，XGBoost：极端梯度提升，NN：神经网络，kNN：k最近邻，GBT：梯度提升树，SVM：支持向量机，RF：随机森林，DT：决策树。

3.2. 乳房健康中的机器学习
牛奶SCC（表示乳腺炎症程度）已被广泛用于监测乳房健康。评估SCC是一个费力的过程，需要额外的自动化采样设备（例如细胞分析仪）的成本。Anglart等人（2020）使用牛奶流量或电导率的变化作为指标来预测CMSCC，并发现GAM在这项任务中的表现优于其他模型（MSE = 0.09），特别是当使用7天的预测变量集时。然而，当使用3天的预测变量集时，MLP的表现同样良好（MSE = 0.10），并且收敛速度更快，这为利用实时数据的应用提供了优势。在他们的研究中，Bobbo等人（2021）发现，基于牛奶特征记录（尤其是SCC值，给定测试日为200,000个细胞/mL的阈值）预测乳房健康时，NN、RF和线性技术的表现最好，准确率超过75%。他们的结果还建议结合DSCC值（>70%）以更好地预测乳房健康状况。

当谈到乳房健康时，乳腺炎是对动物福利和产奶能力影响最大的问题（Schilling等人，2018）。乳腺炎的几个临床预测因素包括牛奶质量、牛奶产量和行为异常。早期检测乳腺炎有助于治疗并减少疾病传播的机会、严重程度及其经济损失（Goyache等人，2005；Miekley等人，2013）。Tian等人（2024）使用了与奶牛日常活动、反刍时间和每日牛奶产量相关的参数，以及牛奶电导率来预测CM的发生率，而Luo等人（2023）使用了产次、泌乳期、牛奶产量的平均值和标准差、电导率以及躺卧时间的数据集。其他类似的研究也利用牛奶参数记录和行为活动，显示了各种最适合的算法。MLP算法（准确率83.5%至93.3%）、RF（准确率86.5%至90.8%）（Tian等人，2024）、DT（准确率98.0%至99.0%（Luo等人，2023）、SVM（准确率84.2%）（Zhou等人，2022）和RF（准确率72.0%（Fadul-Pacheco等人，2021））。Hyde等人（2020）和Fadul-Pacheco等人（2021）特别指出，即使存在缺失数据，RF仍能保持良好的准确率。

在基因组学研究中，DT模型在识别生物标志基因方面有效，例如ZC3H12A、CXCL2、GRO和CFB，作为大肠杆菌引起的乳腺炎的生物标志物，平均准确率为83.0%（Sharifi等人，2018）。此外，使用DT模型，尽管准确率较低（75%），但发现LOC407171、MT2A、LPCAT2、CXCL3、SFN、IDH1和ABCG2是调节大肠杆菌乳腺炎的关键基因（Ghahramani等人，2021）。

最近，图像处理技术也被用于分类和识别不同类型的细胞。Bai等人（2023）通过结合残差网络和位置注意力模块以及通道注意力模块，开发了一个改进的ResNet50模型，有效地从牛乳细胞中提取特征信息。他们提出的模型的分类准确率、精确率（P）、召回率（R）和综合评估指标F1分数（F1=2PRP+R）分别达到了97.0%、94.5%、90.7%和92.2%。这进一步可以发展为通过牛奶的视觉成像来估计SCC。此外，Wang等人（2022）开发了一种使用红外热成像来识别乳腺炎的方法。该方法涉及使用YOLOv5深度学习网络模型分析乳房皮肤和眼表面的温度。所提出的模型在乳腺炎检测中显示出积极的结果，准确率、特异性和敏感性分别为87.62%、84.62%和96.30%。然而，由于奶牛头部姿势的不同，他们在准确定位乳房和眼睛时遇到了困难。在后续研究中，Chu等人（2023）使用YOLOV7从乳房和眼睛提取温度数据，然后基于乳房温度构建了一个特征向量。此外，还使用了CenterNet网络来计算乳房的大小并基于此创建了一个特征向量。随后，这两个值被用来通过使用SVM算法确定乳腺炎的严重程度。结果令人满意，准确率为88.6%。

Pakrashi等人（2023）旨在开发一个预测模型，能够在疾病出现前七天就检测到SCM的早期阶段，使用类似的观察参数（复合牛奶产量、最大牛奶流量、牛奶成分、SCC和其他生殖数据）。他们发现他们的GBM模型非常有效，即使数据记录较少，敏感性和特异性分别为69.45%和95.64%。同样，Bonestroo等人（2022）展示了使用较少的数据记录（30天至15天前）也能保持80%以上的准确率。他们应用了基于传感器牛奶产量数据的梯度提升树模型来预测SCM病例的慢性化。这两项研究强调了先进机器学习技术在提高SCM早期检测方面的潜力，表明即使数据输入较少，也能做出有效的预测。

Ebrahimie等人（2018a）使用DT RF模型分析挤奶参数并预测SCM。他们的研究发现SCM与特定的挤奶数据模式之间存在显著相关性。乳糖水平为4.5克/升或更低且牛奶体积为21.7升或以下的奶牛患乳腺炎的可能性更高。Ebrahimie等人（2018b）的另一项研究表明EC也是SCM的预测因素。在这项研究中，他们使用了十种不同的属性加权模型——PCA、卡方、规则、 Relief、信息增益、信息增益比、SVM、不确定性、偏差和基尼指数——来识别与SCM最相关的特征。Motohashi等人（2020）基于牛奶LDH开发了一个模型，用于早期SCM检测，使用SVM和RF技术。尽管该模型仍需进行重大改进才能在实际农场环境中应用，但它代表了早期乳腺炎检测的一个有前景的方法。Gruber等人（2023）进一步通过识别MIR光谱区域中与乳糖、碳水化合物、酪蛋白、甘油三酯、脂质、水和褪黑素相关的23个特定波数，为乳腺炎检测知识做出了贡献。他们的发现表明SVM和LASSO产生了最有利的结果（AUC大于0.640）。这些研究突显了机器学习和光谱分析在改善乳腺炎检测方面的潜力。结合先进的分析技术，如SVM和RF以及关键生物标志物的识别，突显了这一领域的进展。然而，为了使这些方法在实际农场中得到广泛应用，还需要进一步的改进。这些创新方法的持续发展和应用有望提高乳品健康管理并减少乳腺炎的经济负担。

当我们谈论乳腺炎时，治疗这种疾病的另一个后果是可能出现抗生素耐药性。Dhoble等人（2019）使用细胞计量指纹技术和BoW模型作为SCC的替代方法，作为评估乳腺炎牛奶质量的微生物学方法的替代方案，以量化炎症。这项技术能够分类个别感染并确定疾病的严重程度，必要时允许进行定制的抗生素治疗。

基于电学和电化学阻抗光谱学，Coatrini-Soares等人（2022）使用含有壳聚糖和碳纳米管的免疫传感器来检测牛奶中的金黄色葡萄球菌。使用DT模型创建MCS，建立了规则，使免疫传感器能够准确检测金黄色葡萄球菌。2023年，这项技术进一步发展为微流控E-tongue（Coatrini-Soares等人，2023）。而Esener等人（2021）采用了一种混合方法，结合了监督机器学习和MALDI-TOF来检测英格兰和威尔士24个农场中引起乳腺炎的金黄色葡萄球菌菌株的苯甲青霉素耐药性和其他药物的耐药性。研究人员发现，大多数测试的分类器都表现出色，kappa值超过85.0%。值得注意的是，RBF SVM、NN和逻辑回归分类器达到了最高的性能水平。他们的工作有效地证明了机器学习技术在区分易感/耐药谱型方面的有效性。同一组研究人员还进行了类似的工作，用于识别S. uberis的响应性和非响应性菌株（Maciel-Guerra等人，2021）。2018年，结合了MALDI-TOF和遗传算法，准确地区分了环境型和感染型S. uberis菌株。通过机器学习发现的蛋白质组表型差异，能够识别传播途径并制定适合和成功的群体级疾病管理策略（Esener等人，2018）。

在快速乳腺炎诊断领域，MALDI-TOF也被用于通过检测高水平的SCC（Thompson等人，2023a）或检测不明显的光谱模式（Sarkar等人，2023）来检测SCM。结合梯度提升树模型，这两项研究都被证明是稳健的快速诊断方法。Ramirez-Morales等人（2021）证明，连接到智能手机的NIR光谱仪与两个kNN模型结合使用时，可以有效地、准确地诊断原始牛奶中的乳腺炎，准确率超过90.0%。

3.3. 机器学习在运动疾病/跛行检测中的应用
在奶牛养殖中，跛行是一种令人担忧的疾病，因为它显著影响牛奶产量。疾病检测的主要挑战在于早期阶段，这些阶段往往不易察觉且被忽视，尤其是在依赖直接人工观察时（Werema等人，2022）。跛行的检测可以通过观察行为来进行，使用计步器/加速度计（Alsaaod等人，2012年；Neupane等人，2024年）或雷达感应（Busin等人，2019年）或视频记录（Myint等人，2024年），以及四肢的体重分布（Gupta等人，2014年）和牛奶成分动态（Contla Hernández等人，2021年）。他们的研究结果表明，NB分类器假设每个类别（跛行和健康）的特征样本可以用多元高斯分布来表示，在训练阶段估计均值和方差后取得了最佳结果（准确率在72.0%到83.0%之间）。后来，Taneja等人（2020年）使用长距离计步器跟踪牛群中每头牛的物理运动，并将这些数据在雾节点处结合，创建行为动作的时间序列。然后在云端使用聚类和分类模型处理这些数据，以识别跛行异常并通过移动应用程序通知农民。研究结果表明，可以在农民视觉检测前三天识别出跛行，总体准确率为87%。Magana等人（2023年）也进行了类似的工作，他们开发了一个机器学习模型，利用传感器的时间序列数据来检测和预测数字性皮炎的发作，准确率达到了64%–79%。RBF神经网络在分类四肢体重分布以检测运动疾病方面表现出色，使用80:20的数据划分方案和隐藏层中的5个节点时，该网络的分类准确率达到了83.19%（Gupta等人，2014年）。此外，AdaBoost在基于图像特征自动分类牛只跛行方面实现了77.9%的最佳平均准确率（Myint等人，2024年）。类似地，Zhao等人（2023年）使用DeepLabCut评估了侧视行走视频中牛蹄和牛头的运动，他们提出的预测模型方法在分类早期奶牛跛行方面的总体准确率为89.2%，召回率为90.7%。他们遇到的问题在于使用传统技术难以完全区分背部和颈部，导致了一些误分类。

另一个应用机器学习的例子是通过使用农场数据记录来识别和监测奶牛群中跛行的风险水平（Warner等人，2020年）。年龄、遗传因素和某些群体层面的风险因素是牧场系统中跛行的主要因素。这些因素是通过结合自助正则化回归和逻辑回归模型选择，并采用改进的贝叶斯信息准则进行分析来检测的（Browne等人，2022年）。这两项研究表明，要获得更好的模型性能，需要更多的互连数据。牛奶数量和质量的变化也可以作为跛行的指标。MIR光谱技术是一种经济、快速且高效的技术，用于预测牛奶成分。定期研究MIR光谱数据可以帮助预测疾病，而应用机器学习可以促进这一任务，例如使用神经网络算法（Contla Hernández等人，2021年）。在更先进的代谢组学研究中，He等人（2022年）使用直接注入-串联质谱技术研究了干奶牛样本中的潜在生物标志物。他们利用了多种机器学习模型（RF、弹性网络、PLS和SVM）和稳定性选择（弹性网络、MCP）以及Lasso，涉及三角测量过程。结果表明，磷脂甘油是最敏感的跛行生物标志物。同样在代谢组学层面，Randall等人（2023年）通过应用LC-MS检测了患有跛行的牛的尿液代谢组谱差异。他们使用各种分析技术对高排名质量离子进行三角测量，并利用了稳定性选择方法。在跛行时，这些方法使用SVM算法产生了高达82%的预测准确率。

虽然我们展示了所包含研究中的准确率、精确度、召回率及相关性能指标，但由于群体特征、疾病定义和严重程度（例如，临床与亚临床乳腺炎、跛行评分标准）、数据来源和预处理、类别不平衡以及验证方法的不同，这些值并不能直接比较。每个因素都会显著影响性能指标。因此，必须根据每个具体研究的背景来理解这些数值，而不是作为任何单一技术、数据来源或建模方法普遍优越的证据。因此，我们的综合分析应该被视为概述了各种方法的变化和记录的性能，而不是对不同研究的模型进行评分。

3.4. 在牛健康监测中使用机器学习的挑战及其未来方向
已经报告了在牛健康管理中使用机器学习的各种挑战，包括保持高质量的数据。例如，分析装有温度传感器的耳标产生的原始数据在使用四种机器学习算法时产生了不满意的结果，主要是由于非平稳性（异质性）和数据质量问题。在模型训练之前应用几种时域和小波域变换后，性能得到了改善（Yazdanbakhsh等人，2017年）。重新处理数据集（在个体层面、农场层面和时间跨度上）可以帮助解决这个问题，提高模型对不同农场环境的适应性，并获得最佳结果（Tian等人，2024年；Ebrahimie等人，2021年）。例如，Tian等人（2024年）使用了Z标准化，而Ebrahimie等人（2021年）在他们的多年观察研究中采用了基于关系的分类方法和缩放技术。Ebrahimie等人（2018a）的研究观察到了相反的结果，当他们使用多种预测技术分析牛奶成分和SCC参数时，未转换的数据集和Z标准化数据集没有显示出显著差异。同样，Bobbo等人（2021年）发现对SCC特征进行对数变换得到了类似的结果。然而，当他们使用线性技术如GLM和LDA时，取得了更好的结果。多项研究表明，训练数据的可用性是模型有效性的关键决定因素。Wagner等人（2020年）、Magana等人（2023年）和Esener等人（2021年）都指出，增加个体级别的训练数据数量可以提高检测和预测性能。此外，在更广泛的农业环境中对机器学习模型进行实验也是有益的，这可能涉及整合不同类型的数据源，如基于图像的分析系统、压力传感器、射频识别和超宽带技术（Fadul-Pacheco等人，2021年；Thompson等人，2023b年；Tian等人，2024年）。正如Lasser等人（2021年）所展示的，当结合来自动物11个生活领域的120个独立变量的数据来预测奶牛疾病时，特别是结合个体动物和群体层面的信息，预测的准确性显著提高。

在模型过程中拥有平衡的数据集也很重要，因为在研究健康和患病动物时，通常观察到患病动物的数量比健康组少（Cernek等人，2020年；Ebrahimie等人，2021年）。Bai等人（2023）在他们的改进版ResNet50模型中使用了PolyLoss损失函数来检测牛奶细胞，以解决类别样本不平衡的问题。作为替代方案，对训练数据集进行了过采样和欠采样技术，以识别当前的泌乳情况并使用多个泌乳期的数据预测未来的泌乳情况（Fan等人，2023年）。然而，当面临严重的群体不平衡，即阳性样本（患病动物）数量不到数据集的1%时，Post等人（2020年）发现使用SMOTE和随机过采样可以提高乳腺炎和跛行治疗的AUC。相反，随机欠采样产生了相反的效果，降低了AUC（Singh等人，2024b）。到目前为止，大多数经过验证的算法在畜牧业决策制定中的实施仍然不可靠且不可行，这可能归因于训练数据的有限性，因此需要持续发展。为了提高预测的准确性，需要考虑从广泛农场环境中收集的数据，并生成大规模集成的一套全面且高质量的数据集（Bobbo等人，2021年；Chu等人，2023年）。

此外，技术发展的另一个关键方面不仅在于其在研究环境中的适用性，还在于其在农业环境中的潜力，特别是对于资源有限和知识有限的农民来说，这是主要的挑战。该技术还应该用户友好、简单易用，并具有直观易导航的界面（Neto等人，2022年）。到目前为止，只有少数几种牛健康管理技术是公开可用的（表1），表明在农场层面的适用性仍有改进的空间。

表1. 目前可用于牛健康管理的移动应用程序、在线界面和设备
| 名称 | 技术类型 | 收集的数据 | 目的 | 使用的算法 | 参考文献 |
| --- | --- | --- | --- | --- |
| My Herd | 基于物联网的牛健康监测 | 体温、心率、活动水平、环境条件 | 可穿戴传感器（DHT 11、LM35、心跳传感器）、ThingSpeak Cloud | 持续监测牛的健康状况并提供实时警报 |
| The Taurus | 移动应用程序 | 图像和视频 | 使用卷积神经网络进行品种识别、基于图像和视频的疾病识别，并预测最佳药物剂量 | Chandrarathna等人（2022年） |
| SCHeMoS | 基于物联网的智能牛健康监测 | 体温、稳定性、加速度、位置、进食习惯 | 物联网传感器（加速度计、温度传感器） | 检测牛的跛行并为农民提供实时医疗警报 |
| Time Series Analysis (Deep Learning) | 时间序列分析（深度学习） | LSTM（长短期记忆）模型 | 用于时间序列分析，准确率为92.45% | Durairaj等人（2024年） |
| MasPAM | 机器学习应用用于乳腺炎预测 | 乳房吸/呼限制、温度 | AMS传感器、Raspberry Pi、Arduino | 预测牛的乳腺炎风险并降低预防措施的成本 |
| Federated Learning | 联合学习模型用于牛健康监测 | 使用物联网和体表面积传感器 | 温度、下颌运动、丙酮检测、哞叫 | 体表面积传感器（例如，温度传感器、气体传感器、加速度计、声音传感器） | 监测牛的健康状况并预测FMD、酮病和乳腺炎 |
| Arshad | 联合学习（协作机器学习） | 高斯朴素贝叶斯分类器与联合学习 | 精确度、召回率、某些类别的F1分数高达1.00 | Arshad等人（2024年） |

4. 结论
这项系统综述综合了64项关于奶牛乳腺炎和跛行的研究，这是奶牛养殖中最持久且经济上最重要的健康问题之一。我们的分析表明，自2018年以来，应用传统机器学习方法来解决这一问题的兴趣显著增加，表明了对数据驱动健康管理的日益关注。行为观察、多传感器数据、基因组信息、牛奶产量和质量记录、成像数据、农场管理记录和蛋白质组谱是牛健康管理及乳腺炎和跛行预测的关键数据来源。在这些研究中测试了多种算法；其中，DT、RF、SVM、GBT和kNN在特定测试条件下始终表现出最佳性能。然而，必须认识到，由于数据类型、结果定义和评估方法的不同，我们的结果不能建议任何一种算法在所有情况下都普遍优越。在将机器学习应用于牛健康监测方面存在的挑战包括数据质量和数量的问题。尽管如此，正在进行的研究工作正致力于克服这些障碍。该领域的进展旨在开发出更有效、更集成的解决方案，这些方案通过提供准确的实时健康评估并提升整体牲畜福利，有可能彻底改变牛的管理方式。

**作者贡献声明：**
- Putri Kusuma Astuti：撰写初稿、数据可视化、方法论设计、数据分析及数据整理。
- Zoltán Bagi：撰写内容审核与编辑。
- Edit Mikó：撰写内容审核与编辑。
- Vilmos Bilicki：撰写内容审核与编辑。
- Gerg? Sudár：撰写内容审核与编辑。
- Szilvia Kusza：撰写初稿、项目监督、资金筹集及概念构思。

**关于写作过程中生成式人工智能和人工智能辅助技术的声明：**
无。