[論文レビュー] Predicting Illness for a Sustainable Dairy Agriculture: Predicting and Explaining the Onset of Mastitis in Dairy Cows

Cathal Ryan, Christophe Guéret+4 more|arXiv (Cornell University)|Jan 6, 2021

Microbial infections and disease research被引用数 5

ひとこと要約

本論文では、ミルキングデータと牝牛の履歴を用いて、乳腺炎の亜臨床的発症を最大7日前に予測する機械学習システムを提示している。また、農家が病気を予防するために対応可能な対照的説明（counterfactual explanations）を生成する。このシステムは、制約付き最適化を用いて、ミルク産出量やタンパク質含有量などの特徴量に対する最小限で現実的である変更を生成し、予測がどのように変化するかを明示することで、信頼性を高め、的確かつ持続可能な介入を可能にする。

ABSTRACT

Mastitis is a billion dollar health problem for the modern dairy industry, with implications for antibiotic resistance. The use of AI techniques to identify the early onset of this disease, thus has significant implications for the sustainability of this agricultural sector. Current approaches to treating mastitis involve antibiotics and this practice is coming under ever increasing scrutiny. Using machine learning models to identify cows at risk of developing mastitis and applying targeted treatment regimes to only those animals promotes a more sustainable approach. Incorrect predictions from such models, however, can lead to monetary losses, unnecessary use of antibiotics, and even the premature death of animals, so it is important to generate compelling explanations for predictions to build trust with users and to better support their decision making. In this paper we demonstrate a system developed to predict mastitis infections in cows and provide explanations of these predictions using counterfactuals. We demonstrate the system and describe the engagement with farmers undertaken to build it.

研究の動機と目的

• ミルキング記録および牝牛の履歴データを用いて、亜臨床的乳腺炎の発症を最大7日前に予測する機械学習モデルの開発。
• 農家による意思決定を支援するため、対照的推論を用いて人間が理解可能な、対応可能な説明をモデル予測に対して生成すること。
• 特徴量の操作可能性と現実的な変更レベルについてステークホルダーのフィードバックを統合することで、説明の信頼性と実用性を確保すること。
• 説明可能予測に基づく早期で的確な介入を可能にすることで、不要な抗生物質使用を削減し、経済的損失を低減すること。
• アイルランドの研究農場から得た実世界のデータセットを用い、農家との関与と対照的説明の生成を通じて、システムの有効性を評価すること。

提案手法

• ミルキング記録、感染履歴、遺伝的データを用いて、10年間にわたり7つのアイルランド農場で収集された2,300頭以上の牝牛のデータセットを用いて、二値分類モデルを学習した。
• COBYLAによる制約付き最適化を用いて、予測が「健康」から「乳腺炎リスク」に変わるようにする最小限の特徴量の摂動を生成することで、対照的説明を生成した。
• 特徴量の摂動は、最大3つの特徴量に制限され、分野固有の変動範囲と操作可能性の制約（例：ミルク産出量の変化は0.5～1.5 Lの増減）が設けられた。
• スパarsity（スパarsity）、ロバスト性、解釈可能性を高めるために、中央絶対偏差の逆数で重み付けされたマンハッタン距離が用いられた。
• 特徴量は、操作可能な（例：ミルク産出量、脂肪含有量）か、信頼を高める（例：ソーマティックセル数）かに分類され、後者は操作不能であってもモデルの信頼性を高めるために含められた。
• 予測スコアが0.8より高い高信頼度の「健康」とされた10,000件のテストセットを用いて、予測スコアのシフトを評価する目的で対照的説明を生成し、システムを検証した。

実験結果

リサーチクエスチョン

• RQ1 日常的なミルキングデータを用いて、機械学習モデルはミルク牛の亜臨床的乳腺炎を最大7日前に正確に予測できるか？
• RQ2 農家が理解しやすく、意思決定に役立つ対照的説明をどのように生成できるか？
• RQ3 どの特徴量が農家が予防管理のために操作可能かつ意味のあるものとして認識できるか？
• RQ4 対照的説明における最小限で現実的な特徴量の変更は、予測を「健康」から「リスクあり」に効果的に逆転させるか？
• RQ5 ステークホルダーのフィードバックに基づく特徴量変更の制約は、説明の実用性と信頼性をどのように向上させるか？

主な発見

• システムは、予測スコアが「健康」で高い信頼度（例：0.979）の状態から、対照的状態では低スコア（例：0.368）にまで変化させる対照的説明を一貫して生成した。
• 平均して、対照的状態では3つの特徴量のみが変更され、説明がスパarsity（スパarsity）かつ解釈可能であることが保証された。
• モデルは、ミルク産出量を1.5 L増加させたり、脂肪含有量を1単位増加させたりする操作が、予測を「乳腺炎リスク」に変えるのに十分であると同定した。
• 短期的には操作不能なソーマティックセル数でさえ、農家が乳腺炎を理解するためのメンタルモデルと一致するため、対照的説明に含められ、信頼性を高めた。
• 農家との関与を通じて、ミルク産出量、脂肪含有量、タンパク質含有率といった特徴量が、予防的管理において操作可能かつ意味のあるものであると確認された。
• システムは、最小限で現実的な摂動が、実世界の農業の制約に忠実である限り、モデルの予測を効果的に説明できることが示された。