[논문 리뷰] Predicting Illness for a Sustainable Dairy Agriculture: Predicting and Explaining the Onset of Mastitis in Dairy Cows

Cathal Ryan, Christophe Guéret외 4명|arXiv (Cornell University)|2021. 01. 06.

Microbial infections and disease research인용 수 5

한 줄 요약

이 논문은 젖소의 유축 데이터와 개체력 기록을 사용하여 하루 전까지 7일 전에 임상적 증상이 없는 유방염을 예측하는 기계학습 시스템을 제시한다. 이 시스템은 농가가 질병을 예방할 수 있도록 행동 가능한 반성적 설명을 생성하며, 제약 조건이 있는 최적화를 통해 특성(예: 유량, 단백질 함량 등)에 대한 최소한이면서 현실적인 변화를 도출하여 예측 결과를 변경할 수 있도록 한다. 이는 신뢰도를 향상시키고 표적화된 지속 가능한 간섭 조치를 가능하게 한다.

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.

연구 동기 및 목표

• 유축 기록과 젖소의 병력 데이터를 사용하여 하루 전까지 7일 전에 임상적 증상이 없는 유방염의 발병을 예측할 수 있는 기계학습 모델을 개발한다.
• 농가의 의사결정을 지원하기 위해 반성적 추론을 활용해 인간이 이해할 수 있고 행동 가능한 모델 예측 설명을 생성한다.
• 특성의 조작 가능성과 현실적인 변화 수준에 대한 이해관계자 피드백을 통합하여 설명의 신뢰성과 실용성을 확보한다.
• 해석 가능한 예측 기반으로 조기에 표적화된 간섭 조치를 가능하게 하여 불필요한 항생제 사용을 줄이고 경제적 손실을 감소시킨다.
• 아일랜드 연구 농장에서 확보한 실제 데이터셋을 대상으로 농가 참여와 반성적 설명 생성을 통해 시스템의 효과성을 평가한다.

제안 방법

• 10년간 7개의 아일랜드 농장에서 확보한 2,300头 이상의 젖소 데이터셋을 기반으로 이진 분류 모델을 훈련한다. 사용된 데이터는 유축 기록, 감염 병력, 유전 정보를 포함한다.
• COBYLA 제약 조건 최적화를 사용하여 '건강' 예측을 '유방염 위험'으로 뒤바꾸는 최소한의 특성 변화를 도출함으로써 반성적 설명을 생성한다.
• 특성 변화는 최대 3개의 특성만 변경 가능하도록 제약하며, 분야별로 정의된 크기와 조작 가능성의 범위를 적용한다(예: 유량 변화는 0.5–1.5L 단위로).
• 스parser, 강건하고 해석 가능한 변화를 유도하기 위해 역 중앙절대편차로 가중된 맨하탄 거리가 사용된다.
• 특성은 조작 가능한(예: 유량, 지방 함량) 또는 신뢰도 향상용(예: 백혈구 수)으로 분류되며, 후자는 조작이 불가능하더라도 모델 신뢰도 향상에 기여하기 위해 포함된다.
• 예측 결과가 높은 신뢰도로 '건강'으로 판단된(점수 >0.8) 10,000건의 테스트 세트에 대해 검증을 수행하고, 예측 변화를 평가하기 위해 반성적 설명을 생성한다.

실험 결과

연구 질문

• RQ1 일반적인 유축 데이터를 사용하여 기계학습 모델이 하루 전까지 7일 전에 임상적 증상이 없는 유방염을 정확하게 예측할 수 있는가?
• RQ2 농가가 이해하고 행동할 수 있도록 모델 예측을 설명하기 위해 반성적 설명은 어떻게 생성할 수 있는가?
• RQ3 농가가 예방 관리를 위해 조작할 수 있고 의미 있는 특성은 무엇인가?
• RQ4 반성적 설명에서 최소한이면서 현실적인 특성 변화가 '건강'에서 '위험'으로의 예측 전환을 얼마나 효과적으로 유도하는가?
• RQ5 농가의 피드백을 반영한 특성 변화 제약 조건은 모델 설명의 실용성과 신뢰성에 어떻게 기여하는가?

주요 결과

• 시스템은 예측 점수가 '건강'으로 높은 신뢰도(예: 0.979)에서 반성적 설명에서는 낮은 점수(예: 0.368)로 지속적으로 변화하는 반성적 설명을 성공적으로 생성하였다.
• 반성적 설명 평균적으로 평균 3개의 특성만 변경되어 설명이 간결하고 해석 가능하도록 유지되었다.
• 모델은 예를 들어 유량을 1.5L 증가시키거나 지방 함량을 1단위 증가시키는 것만으로도 예측 결과를 '유방염 위험'으로 전환시킬 수 있음을 규명하였다.
• 단기적으로 직접 조작이 어려운 백혈구 수는 반성적 설명에 포함되어 농가의 유방염 인식 모델과 일치함으로써 신뢰도를 향상시켰다.
• 농가 참여 조사 결과, 유량, 지방 함량, 단백질 비율과 같은 특성들이 예방 관리에 있어 조작 가능하고 의미 있는 요소로 확인되었다.
• 최소한이면서 현실적인 변화가 실제 농업 환경의 제약 조건을 충족하면서도 모델 예측을 효과적으로 설명할 수 있음을 시스템이 입증하였다.