DOI: https://doi.org/10.1038/s41598-024-80902-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39617800
تاريخ النشر: 2024-12-01
المؤلف: Marcelo Feighelstein وآخرون
الموضوع الرئيسي: دراسات سلوك الحيوان ورفاهيته
نظرة عامة
التهاب الجلد الرقمي (DD) هو مرض شائع في أقدام الأبقار الحلوب يؤثر بشكل كبير على رفاهية الحيوانات وإنتاج الحليب والخصوبة. تستفيد هذه الدراسة من تقنيات التعلم العميق ورؤية الكمبيوتر لتعزيز الكشف المبكر والتنبؤ بـ DD باستخدام بيانات التصوير الحراري بالأشعة تحت الحمراء (IRT). من خلال تحليل الصور الحرارية لأقدام الأبقار، وميزات اللون الإحصائية، والقيم الحرارية المسجلة يدويًا، حققت النماذج دقة تزيد عن 81% في الكشف عن DD في يوم ظهور العلامات السريرية الأولى وبدقة تزيد عن 70% في التنبؤ بـ DD قبل يومين. تؤكد هذه النتائج على إمكانية دمج صور IRT مع الذكاء الاصطناعي لتطوير أدوات مراقبة آلية في الوقت الحقيقي لـ DD في الأبقار الحلوب.
على الرغم من التقدم في الزراعة الحيوانية الدقيقة والتعلم الآلي للكشف عن الأمراض، لا تزال نسبة العرج في الماشية مرتفعة، ويرجع ذلك أساسًا إلى عدم كفاية أدوات التشخيص المبكر. استخدمت الأبحاث السابقة بيانات سلوكية من أجهزة التسارع لتحديد DD، لكن هذه الدراسة تميزت بتركيزها على تصوير IRT. أظهرت الأعمال السابقة فعالية IRT في التمييز بين الأقدام الصحية والمصابة، مع وجود ارتباطات كبيرة بين تقلبات درجة الحرارة وآفات DD. تسهم هذه البحث في المجال غير المستكشف لأساليب الكشف الآلي عن DD المعتمدة على رؤية الكمبيوتر، مما يشير إلى اتجاه واعد للدراسات والتطبيقات المستقبلية في إدارة صحة الأبقار الحلوب.
الطرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث تم استخدام التحليلات الإحصائية لتقييم البيانات التي تم جمعها من تجارب مختلفة. شملت المنهجيات المحددة تجارب محكومة، حيث تم التلاعب بالمتغيرات بشكل منهجي لمراقبة تأثيراتها على النتائج ذات الأهمية.
شملت جمع البيانات أدوات موحدة لضمان الموثوقية والصلاحية، مع التركيز على تقليل التحيزات. تم إجراء التحليل باستخدام أدوات البرمجيات التي سهلت الحسابات الإحصائية المعقدة، مما سمح بتقييم العلاقات بين المتغيرات. يبرز القسم أهمية إمكانية التكرار والشفافية في الطرق لتعزيز مصداقية النتائج.
المناقشة
في هذه الدراسة، بحث المؤلفون استخدام التصوير الحراري بالأشعة تحت الحمراء (IRT) وتقنيات التعلم الآلي للكشف عن والتنبؤ بالتهاب الجلد الرقمي (DD) في الأبقار الحلوب. التزمت الأبحاث بالإرشادات الأخلاقية وتمت على مدى 60 يومًا في مركز كنووت للألبان بجامعة ولاية واشنطن، بمشاركة 180 بقرة هولشتاين. تطور إجمالي 17 بقرة مصابة بـ DD خلال التجربة، وتمت مطابقة كل منها مع مجموعة تحكم صحية بناءً على عدد الولادات، والحالة التناسلية، وفترة الرضاعة. تضمنت مجموعة البيانات 569 صورة IRT مصنفة إما كـ “صحية” أو “DD”، مع التركيز على منطقة الحزام التاجي وكعب أقدام الأبقار. تم جمع الصور وتصنيفها بشكل منهجي، مما يضمن مجموعة بيانات قوية للتحليل.
طور المؤلفون خطي أنابيب تعلم آلي متميزين: أحدهما لتحديد DD من الصور الفردية والآخر للتنبؤ بحلقات DD بناءً على الصور المتتالية. دمجت عملية استخراج الميزات تضمينات الصور من شبكة عصبية مدربة مسبقًا، وبيانات حرارية، وميزات إحصائية لونية، مما أسفر عن متجه ميزات شامل للتصنيف. أظهر نموذج تصنيف الدعم Nu (NuSVC) نتائج واعدة، حيث حقق دقة تزيد عن 81% في الكشف عن DD في يوم ظهور العلامات السريرية الأولى ودقة تزيد عن 65% في التنبؤ بـ DD قبل يومين. تسلط الدراسة الضوء على إمكانية دمج IRT مع الأساليب المعتمدة على المستشعرات لمراقبة DD في الوقت الحقيقي في المزارع التجارية للألبان، على الرغم من أنها تعترف بالقيود مثل حجم العينة الصغيرة والتكلفة العالية لتقنية IRT المستخدمة. تهدف الأبحاث المستقبلية إلى توسيع مجموعة البيانات واستكشاف بيئات متنوعة لتحسين أداء النموذج.
DOI: https://doi.org/10.1038/s41598-024-80902-4
PMID: https://pubmed.ncbi.nlm.nih.gov/39617800
Publication Date: 2024-12-01
Author(s): Marcelo Feighelstein et al.
Primary Topic: Animal Behavior and Welfare Studies
Overview
Digital dermatitis (DD) is a prevalent foot disease in dairy cattle that significantly impacts animal welfare, milk production, and fertility. This study leverages deep learning and computer vision techniques to enhance the early detection and prediction of DD using infrared thermography (IRT) data. By analyzing thermal images of cow feet, statistical color features, and manually recorded temperature values, the models achieved over 81% accuracy in detecting DD on the day of first clinical signs and over 70% accuracy in predicting DD two days prior. These results underscore the potential of integrating IRT images with artificial intelligence to develop real-time automated monitoring tools for DD in dairy cows.
Despite advancements in precision livestock farming and machine learning for disease detection, the prevalence of lameness in cattle remains high, primarily due to inadequate early diagnosis tools. Previous research has utilized behavioral data from accelerometers to identify DD, but this study distinguishes itself by focusing on IRT imaging. Prior works have shown the efficacy of IRT in differentiating between healthy and affected feet, with significant correlations found between temperature variations and DD lesions. This research contributes to the underexplored area of computer vision-based approaches for automated DD detection, indicating a promising direction for future studies and applications in dairy health management.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, employing statistical analyses to evaluate the data collected from various experiments. Specific methodologies included controlled trials, where variables were systematically manipulated to observe their effects on the outcomes of interest.
Data collection involved standardized instruments to ensure reliability and validity, with a focus on minimizing biases. The analysis was conducted using software tools that facilitated complex statistical computations, allowing for the assessment of relationships between variables. The section emphasizes the importance of replicability and transparency in the methods to enhance the credibility of the findings.
Discussion
In this study, the authors investigated the use of infrared thermography (IRT) and machine learning techniques to detect and predict digital dermatitis (DD) in dairy cows. The research adhered to ethical guidelines and was conducted over 60 days at the Washington State University Knott Dairy Center, involving 180 Holstein cows. A total of 17 cows developed DD during the trial, and each was matched with a healthy control based on parity, reproductive status, and lactation period. The dataset comprised 569 IRT images categorized as either ‘healthy’ or ‘DD’, with a focus on the coronary band and heel regions of the cows’ feet. The images were systematically collected and labeled, ensuring a robust dataset for analysis.
The authors developed two distinct machine learning pipelines: one for identifying DD from single images and another for predicting DD episodes based on consecutive images. The feature extraction process integrated image embeddings from a pre-trained neural network, thermal data, and color statistical features, resulting in a comprehensive feature vector for classification. The Nu-Support Vector Classification (NuSVC) model demonstrated promising results, achieving over 81% accuracy for DD detection on the day of first clinical signs and over 65% accuracy for predicting DD two days prior. The study highlights the potential of combining IRT with sensor-based approaches for real-time monitoring of DD in commercial dairy farms, although it acknowledges limitations such as the small sample size and the high cost of the IRT technology used. Future research aims to expand the dataset and explore diverse environments to enhance model performance.