[論文レビュー] Machine Learning Approaches to Predict and Detect Early-Onset of Digital Dermatitis in Dairy Cows using Sensor Data

Jennifer Magana, Dinu Găvojdian+4 more|arXiv (Cornell University)|Sep 18, 2023

Animal Behavior and Welfare Studies被引用数 3

ひとこと要約

本研究では、商用フリーストール飼育システムにおけるミルクキャベットの行動センサー情報を用いて、デジタル・ダーマタイティス（DD）を初発症日（正確度：79％）に検出する機械学習モデルと、2日前に予測するモデル（正確度：64％）を開発した。この手法は個体レベルの行動変化を活用し、家畜の健康状態と福祉向上のための早期警戒システムを実現する。

ABSTRACT

The aim of this study was to employ machine learning algorithms based on sensor behavior data for (1) early-onset detection of digital dermatitis (DD); and (2) DD prediction in dairy cows. With the ultimate goal to set-up early warning tools for DD prediction, which would than allow a better monitoring and management of DD under commercial settings, resulting in a decrease of DD prevalence and severity, while improving animal welfare. A machine learning model that is capable of predicting and detecting digital dermatitis in cows housed under free-stall conditions based on behavior sensor data has been purposed and tested in this exploratory study. The model for DD detection on day 0 of the appearance of the clinical signs has reached an accuracy of 79%, while the model for prediction of DD 2 days prior to the appearance of the first clinical signs has reached an accuracy of 64%. The proposed machine learning models could help to develop a real-time automated tool for monitoring and diagnostic of DD in lactating dairy cows, based on behavior sensor data under conventional dairy environments. Results showed that alterations in behavioral patterns at individual levels can be used as inputs in an early warning system for herd management in order to detect variances in health of individual cows.

研究の動機と目的

• 行動センサー情報を用いて、臨床的発症の最も早い段階でデジタル・ダーマタイティス（DD）を検出する機械学習モデルの開発。
• 臨床的兆候が現れる2日前までにDDの発生を予測し、能動的管理を可能にする。
• 行動パターンに基づき、商用フリーストール・ディアリー・システムにおけるDDのリアルタイムで自動化された監視ツールの構築。
• 早期発見と介入により、動物福祉の向上とDDの発生頻度・重症度の低減を図る。
• 個体レベルの行動変化が、早期DD発症の信頼できる指標として有効であるかどうかを検証する。

提案手法

• フリーストール飼育システムに飼育されている産後ミルクキャベットの行動センサー情報を収集・前処理し、モデルの学習に用いた。
• 教師あり機械学習アルゴリズムを用いて、時間的行動パターンに基づき、DDを有するか否かを分類するように訓練した。
• 検出モデルは、臨床的発症日（日0）のデータを用いて、その日のDDを同定するように訓練した。
• 予測モデルは、過去の行動データに基づき、臨床的兆候が現れる2日前のDD発生を予測するように訓練した。
• 特徴工学は、早期DDを示す兆候となる活動量、横臥時間、立ち姿勢の変化を特定することに焦点を当てた。
• 標準分類指標（正確度など）を用いて、ホールドアウトテストデータ上でモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 行動センサー情報のみを用いて、機械学習モデルはミルクキャベットのデジタル・ダーマタイティスを初発症日に検出できるか？
• RQ2 これらのモデルは、臨床的兆候が現れる2日前にDDの発症を予測できるか？
• RQ3 活動量および横臥時間の行動パターンにおける個体レベルの変化は、早期DD発症と相関しているか？
• RQ4 このようなモデルは、実世界の商用ミルクキャベット環境で、自動監視に効果的に適用可能か？
• RQ5 行動ベースのモデルによる早期DD検出および予測の正確度はどの程度か？

主な発見

• 検出モデルは、臨床的発症日当日に79％の正確度でデジタル・ダーマタイティスを同定した。
• 予測モデルは、臨床的兆候が現れる2日前にDD発生を予測する際、64％の正確度を達成した。
• 特に横臥時間および活動量における行動の逸脱が、早期DD発症の強力な予測要因であった。
• モデルは、商用フリーストール・ディアリー・システムにおけるリアルタイムで自動化された監視の実現可能性を示した。
• 行動センサー情報のみが、ヒーリングマネジメントにおける早期警戒システムの信頼できる入力として機能できる。
• 結果は、ミルクキャベットの福祉向上とDD発生頻度の低減を図るためのスケーラブルで非侵襲的なツールの開発を支援する。