集成技术与组合机器学习技术实现断奶前乳用犊牛早期牛呼吸道疾病检测

《Smart Agricultural Technology》：Integrated technologies and combined machine learning techniques achieves early bovine respiratory disease detection in pre-weaned dairy-bred calves

　　

牛呼吸道疾病（Bovine Respiratory Disease, BRD）广泛存在，给行业带来高昂成本，并具有终身影响。其检测费时且难以早期发现。本研究评估了使用集成数据的机器学习技术在断奶前犊牛中准确预测牛呼吸道疾病（BRD）的效果。研究人员对118头犊牛在其断奶前时期（9天±0.2至54天±0.3）进行了监测，其中100头犊牛的数据纳入数据集。研究人员使用了一种新开发的犊牛管理耳标，结合自动饲喂器数据、计步器和每日环境信息，以金标准每日健康评估（威斯康星评分，Wisconsin score）为基准，构建了牛呼吸道疾病（BRD）检测模型。本研究探索了不同的机器学习建模技术（随机森林（Random Forest, RF）、K近邻（K-Nearest Neighbour, KNN）、支持向量机（Support Vector Machine, SVM）、CatBoost（CatBoost, CB））以及它们输出的配对组合。为了评估建模技术的有效性，研究人员使用了两个指标：预测准确性（模型产生的警报）和疾病检测准确性（正确识别的疾病事件）。单独来看，支持向量机（SVM）和CatBoost（CB）在两者之间提供了最佳平衡，其中56%至60%的警报与疾病日相符，56%至62%的疾病事件被正确识别。最佳平衡组合是CatBoost（CB）和支持向量机（SVM）（56%的正确警报和76%的正确识别疾病事件），但最高结果由不同的技术和组合获得。本研究证明，多种数据源和不同机器学习技术的集成为犊牛提供了可行的早期疾病检测模型。

### 论文解读：集成技术与组合机器学习实现断奶前乳用犊牛早期牛呼吸道疾病检测

#### 研究背景与问题
牛呼吸道疾病（Bovine Respiratory Disease, BRD）是影响乳用犊牛的主要健康挑战，据报道在英国影响30-40%的犊牛，在美国为28.1%，在加拿大西部66%的牛群报告至少治疗一头犊牛。BRD不仅导致高死亡率（英国约34%，美国约30%），还造成终身生产力损失（如饲料效率、繁殖性能、肉奶产量下降），每例经济损失从0.54英镑到722英镑不等。目前，BRD缺乏特异性诊断工具，常用方法包括威斯康星评分（Wisconsin score）——虽特异度高（90%）但灵敏度低（30%），且主观耗时；肺部超声扫描虽准确但费时，无法常规使用；农民视觉评估不准确，常导致延迟或错误治疗。近年来，传感器技术（如自动饲喂器、计步器）和机器学习（Machine Learning, ML）被用于开发预测模型，但多数研究仅使用单一数据源或单一模型，缺乏对多种模型性能的系统比较，且环境数据（如温度、湿度）对BRD的影响未充分整合。因此，本研究旨在评估集成多种数据源（耳标、自动饲喂器、计步器、环境数据）和不同机器学习技术及其组合，在断奶前乳用犊牛中准确预测BRD的可行性。

#### 研究内容与结论
研究人员对118头犊牛（混种，2020年8月至2021年3月）进行监测，最终100头（41头奶牛×肉牛杂交，59头奶牛）纳入分析。犊牛在断奶前时期（9天±0.2至54天±0.3）被饲养于CalfIgloo（20 m3）中，配备自动饲喂器（BioControl, NO）和自由采食精料、稻草、水。每日由技术人员进行威斯康星评分（眼部、鼻部、耳姿、咳嗽、体温），将健康定义为总分≤3且体温<39.4°C，疾病定义为总分≥4且体温≥39.4°C，中间状态为其他情况。数据源包括：WellCalf耳标（Smartbell, UK）提供3轴加速度计、陀螺仪和红外温度传感器数据（86个变量）；IceQube计步器（Peacock Technology, UK）安装于左后腿，提供5个活动变量；自动饲喂器提取28个变量；气象站（Vaisala, FI）提供24个环境变量。此外计算了回溯变量（平均或标准差，回溯1-3天），共152个变量。数据清洗后去除高度相关变量（>0.75），保留100个变量，随机分为训练集（70%）和测试集（30%），重复三次以考虑动物变异。训练集使用SMOTEENN（Synthetic Minority Over-sampling TechniquE Edited Nearest Neighbours）平衡类别，中间状态在训练集中移除，在测试集中归为疾病。建模采用四种监督学习方法：随机森林（Random Forest, RF）、K近邻（K-Nearest Neighbour, KNN）、支持向量机（Support Vector Machine, SVM，线性核）、CatBoost（CatBoost, CB），超参数通过随机搜索或网格搜索调优（RF树数50-500、深度1-20；KNN邻居数1-25；SVM的C=1-10；CB迭代10-50、学习率0.01-0.5）。模型输出采用OR集成（任一模型预测疾病即视为阳性）。评估指标包括模型性能（准确率、精确率、灵敏度、F1分数、马修斯相关系数（Matthew's Correlation Coefficient, MCC））以及实际应用指标：警报准确性（真阳性警报占所有警报比例）和疾病检测准确性（正确识别的疾病事件占总事件比例）。

该研究得出以下结论：单独模型中，SVM和CB在警报准确性和疾病检测准确性之间达到最佳平衡（56-60%警报正确，56-62%疾病事件正确）；组合模型显著提高了疾病检测准确性（从32-62%提升至57-79%），其中KNN+SVM组合最高（79%），SVM+CB组合最平衡（56%警报正确，76%疾病事件正确）。研究证明，集成多数据源和不同机器学习技术能够实现可行的早期BRD检测。该论文发表在《Smart Agricultural Technology》。

#### 主要关键技术方法
数据来源：WellCalf耳标（3轴加速度计、陀螺仪、红外温度传感器）提供活动、姿态和温度数据；IceQube计步器（后腿）提供步数、运动指数等；自动牛奶饲喂器（BioControl）提供采食次数、采食量、饮水等；气象站（Vaisala）提供温度、湿度等环境数据。健康评估：每日威斯康星评分（眼部、鼻部、耳姿、咳嗽、体温），将犊牛分为健康（总分≤3且体温<39.4°C）、中间（总分>3且体温<39.4°C或体温≥39.4°C无其他症状）和疾病（总分≥4且体温≥39.4°C）。数据预处理：去除缺失值、删除高度相关变量（>0.75）、使用SMOTEENN平衡类别。建模：四种监督学习方法（RF、KNN、SVM、CB），超参数调优（随机搜索或网格搜索），组合采用OR集成。评估指标：警报准确性（真阳性警报比例）和疾病检测准确性（正确识别疾病事件比例）。

#### 研究结果
**3.1 Model performance**：四种模型在训练集上均表现良好（准确率>80%，精确率>80%，灵敏度>90%，MCC约80%）。但在测试集上，RF准确率最高（84%），但灵敏度低（21%）；SVM和CB灵敏度较高（44%和41%），但准确率较低（75%和77%）。变量重要性分析显示，耳标加速度计Z轴均值（AccZMean）和每次访问饲喂器平均时间（MeanTimeVisit）是最频繁的重要变量，步数、耳标加速度计Y轴及其回溯变量也常出现。

**3.2 Accuracy of alerts and accuracy of disease detection**：警报准确性方面，RF最高（68%），但假阴性最多（116），倾向于将疾病归类为健康；KNN假阳性最多（112）；CB在假阳性和假阴性之间更平衡，真阳性数较高（112）。疾病检测准确性方面，RF最低（32%），KNN、SVM和CB均高于50%（47-62%），SVM识别的真阳性最多，假阴性最少。

**3.3 Combination of modelling techniques**：组合模型的警报准确性与单一模型相似（0.51-0.60），但疾病检测准确性显著提高（0.57-0.79）。KNN+SVM组合疾病检测准确率最高（79%），RF+CB组合警报准确率最高（60%），SVM+CB组合最平衡（56%警报准确，76%疾病检测准确）。数据集1表现优于数据集3，表明训练集动物选择影响结果。

#### 讨论与结论
讨论部分指出，本研究首次将新型耳标数据与其它数据源集成用于BRD检测。行为变化（如活动减少、采食下降）是疾病常见指标，模型中的重要变量包括步数、耳标加速度计Y轴和Z轴及其回溯值，强调了提前检测的潜力。与其他研究相比，结果差异可归因于分类标准、变量选择和数据源不同。局限性包括：样本量较小（100头）、缺失数据可能导致偏差、SMOTEENN可能引起数据泄漏、中间病例归类为疾病可能带来误差、不同病原体（如溶血性曼氏杆菌Mannheimia haemolytica与多杀性巴氏杆菌Pasteurella multocida）可能引起不同行为反应、环境和管理限制普适性。未来需更大样本和更集成平台。

**结论部分翻译**：在本研究中，所分析的不同建模技术提供了与先前已发表研究相似的结果。然而，使用疾病事件窗口或警报准确性窗口时，模型的输出相比测试数据集有所改善。这可以带来显著好处，例如更快速和更有针对性的兽医治疗，促进更快恢复，并限制疾病对生产力和肺部损伤的长期影响。早期预警系统支持更客观的兽医治疗方法，并有潜力优化和针对性使用劳动力资源，因为不再需要每日评分和人工处理。自动BRD检测通过改善病犊牛的管理，进一步具有限制疾病传播的潜力。在本研究中，组合不同建模技术的输出提高了疾病事件检测的准确性（识别的疾病事件数量增加），但对警报准确性（真阳性警报）影响较小，因为预测范围相似。K近邻（KNN）和支持向量机（SVM）的组合提供了最高的疾病检测准确性（识别的疾病事件数量），而随机森林（RF）和CatBoost（CB）的组合提供了最高的警报准确性（正确警报）。最平衡的组合由支持向量机（SVM）和CatBoost（CB）提供。本研究表明，使用威斯康星评分（Wisconsin score）作为分类标准，多种数据源的集成使得早期疾病检测可行，并应进一步研究。