《Journal of Dairy Science》：Explainable ensemble machine learning for pregnancy screening in dairy cows using routine dairy herd improvement records
编辑推荐：
在这项回顾性观察研究中，研究人员开发了一种集成机器学习模型，利用常规奶牛群改良（DHI）测定日数据及同一DHI数据库中记录的首配日期筛查妊娠状态。来自韩国36个牧场2614头荷斯坦牛的60301条测定日记录被构建为50826个观测窗口，每个窗口由连续3次月度记
在这项回顾性观察研究中，研究人员开发了一种集成机器学习模型，利用常规奶牛群改良（DHI）测定日数据及同一DHI数据库中记录的首配日期筛查妊娠状态。来自韩国36个牧场2614头荷斯坦牛的60301条测定日记录被构建为50826个观测窗口，每个窗口由连续3次月度记录组成。研究人员工程化了70个特征：测定日产奶性状、泌乳天数（DIM）以及由首配日期衍生的2个繁殖背景特征。三种基学习器（随机森林、XGBoost、逻辑回归）通过软投票组合。在牛级分组5折交叉验证下（正类＝妊娠），集成模型达到AUC 0.857±0.006、PR-AUC 0.949、Brier分数0.119。留一牧场交叉验证确认了其对所研究DHI系统内未见牧场的泛化能力（AUC＝0.863±0.034）。SHAP分析显示，6组测定日产奶性状合计占最大域（53.9%），繁殖背景为最大单组特征（26.3%），DIM作为泌乳阶段时间代理贡献17.8%。即便移除DIM、繁殖背景与胎次特征，仅测定日产奶性状模型仍保留AUC 0.794，且DIM分层分析显示各DIM区间内妊娠牛产奶量均更低（Cohen's d＝?0.24至?0.43）。双阈值策略提供两个操作点：F1最大化阈值（灵敏度0.966、特异度0.391）用于监测，成本最小化阈值（灵敏度0.680、特异度0.844、精确率0.934）用于非妊娠筛查。因需3个月数据积累，该模型在现有DHI流程中充当月度安全网，覆盖常规早期妊娠诊断遗漏的牛只。
研究背景方面，奶牛养殖中延迟识别非妊娠牛会延长产犊至受胎间隔（即开放天数 days open），造成配种、兽医与饲养成本上升及非自愿淘汰。现有妊娠诊断方法如经直肠超声、妊娠相关糖蛋白（PAG）检测及乳中红外（MIR）光谱虽准确，但均需额外设备、试剂或兽医介入。常规DHI系统每月采集产奶量、乳脂、乳蛋白、体细胞数（SCC）与乳尿素氮（MUN），并登记首配日期，却未被用于妊娠筛查。因此研究人员拟利用同一数据库内既有信息，构建无增量成本的可解释模型作为常规诊断的补充安全网。该研究发表于《Journal of Dairy Science》，样本来自韩国非农协奶牛改良中心（DCIC，ICAR A4协议）2021至2025年36个商业牧场2614头荷斯坦牛的60301条测定日记录，经滑动窗口构造50826个观测单元（妊娠76.5%，非妊娠23.5%）。
关键技术方法上，研究人员以每头牛-胎次序列内连续3次月度测定日构成滑动窗口，工程化70个特征（含点值、一阶差分、百分比变化、统计量、线性斜率、DIM衍生、胎次及首配日期衍生的繁殖背景二特征），首配日期仅取固定早期信息以避免标签泄漏。基学习器为随机森林（300树、最大深度10）、XGBoost（300轮、深度6、学习率0.05）与L2逻辑回归，以等权软投票集成；采用牛级GroupKFold 5折与留一牧场（LOFO）交叉验证；以SHAP（TreeExplainer）做可解释分析，并以丢弃特征组消融实验验证；依据误分类不对称成本（假阳性120美元、假阴性22.5美元）扫描阈值得双操作点。
研究结果部分，材料与方法已前述。模型性能小节显示，集成在牛级5折CV下AUC 0.857±0.006、PR-AUC 0.949、Brier 0.119、MCC 0.481，XGBoost单模与之持平；LOFO平均AUC 0.863±0.034（最低0.760），牧场内ICC（1）对测定日产奶变量仅0.024–0.096，证实个体间方差主导、跨牧场泛化可行。特征重要性分析小节中，SHAP组贡献为测定日产奶性状合计53.9%（产奶量16.6%、蛋白8.8%、脂肪8.7%、脂蛋比7.0%、MUN 6.7%、SCC 6.1%），繁殖背景单组26.3%（首配后天数最重要），DIM 17.8%，胎次2.0%；近期测定日与前向差分/斜率权重更高，符合受孕后孕酮介导养分重分配致产奶轨迹非线性下行生物学。消融研究小节表明，去繁殖背景AUC降0.015，去DIM降0.012，仅产奶性状AUC 0.794，仅繁殖背景0.802，仅DIM 0.820；无首配记录亚组AUC 0.864，经产牛（0.867）优于初产（0.839）。双阈值与经济分析小节给出F1最大化阈值0.440（灵敏度0.966、特异度0.391、精确率0.838）供监测，成本最小化阈值0.825（灵敏度0.680、特异度0.844、精确率0.934、单观测成本9.91美元）供非妊娠筛查；100头 herd 年误分类成本约7926美元。讨论部分指出，模型价值不在替代28–45天超声/PAG，而在90天积累后作月度兜底；首配日期为强先验但不决定结局（已配窗口中16.8%非妊娠）；产奶信号经DIM分层仍显著，提示为真妊娠关联而非泌乳阶段混淆；MUN与脂蛋比亦承载能量负平衡代谢足迹，观察性设计无法分离因果；局限含韩国单区荷斯坦、幸存者偏倚（剔33.5%无后续产犊）、标签边界±14天噪声、未含季节/热应激、未做时间切分外部验证。结论部分译文如下：结合常规DHI测定日与首配日期的70特征集成模型以AUC 0.857筛查妊娠，LOFO（AUC 0.863±0.034）确认仅用DHI库内信息即可泛化至训练未见牧场；特征与消融分析表明繁殖时机与测定日产奶动态共同贡献判别力，仅产奶性状AUC 0.794，DIM分层各区间妊娠牛产奶更低（Cohen's d ?0.24至?0.43）；模型可作DHI流程内月度安全网，双阈值框架提供监测用F1最大点与筛查用成本最小点（灵敏度0.680、特异度0.844、精确率0.934）；现场部署前需前瞻田间试验、时间切分验证及营养遗传混杂考察。
