机器学习在猪病预测中的应用与潜力

　　随着人工智能（AI）和机器学习（ML）技术的快速发展，将其融入农业领域的潜力逐渐显现。特别是在兽医学中，人工智能的应用已经开始展现其独特价值。Appleby和Basran曾指出，未来使用人工智能的兽医将取代不使用人工智能的同行。这一观点不仅揭示了技术进步对传统行业的深远影响，也强调了人工智能在畜牧业管理中的重要性。
　　近年来，我们深入探讨了如何通过基于网络的人工智能技术来提升生物安全工具包的功能。具体而言，我们将人工智能应用于日常数据流（如诊断结果和动物移动信息），以预测可能发生的传染病暴发。这种预测能力使我们在疫情发生之前就能采取预防措施，从而避免或减轻疫情带来的损失。然而，要充分发挥机器学习在猪病管理中的潜力，关键在于解决数据可用性和质量的问题。为此，我们的多学科团队撰写了一篇题为《利用机器学习预测猪群感染》的文章，详细总结了相关研究成果。
　　在这项研究中，我们设计并评估了六种具有不同特征组合的机器学习模型，旨在找到概括性最好且性能最优的模型。这些模型包括逻辑回归、支持向量机、决策树、梯度提升、随机森林以及神经网络（自动编码器MLP）。以下是我们研究的主要发现：
　　1. 生产数据和外部因素（尤其是天气）在建立感染模型中发挥了重要作用。
a. 在系统A中，附近的猪场距离、仔猪总存栏数、每头配种母猪每年的断奶猪数（PWMFY）、怀孕率及后备母猪平均存栏数等变量是关键预测因子。
b. 在系统B中，试验率、风向和风速、母猪妊娠饲料、进猪和生物安全数据则显得尤为重要。
c. 生物安全数据对猪繁殖与呼吸综合征病毒（PRRS）、肺炎支原体（MHP）和猪流行性腹泻病毒（PEDV）的预测尤为重要。例如，员工出入点方案有助于预测PRRS和PEDV，而尸体处理方案则对PEDV和MHP的预测具有价值。
　　2. 模型能够每天预测阳性样本，并在猪场层面确定感染PRRSV、PEDV、MHP和IAV-S的概率（阳性/阴性结果）。
3. 使用60天的历史窗口期，模型可以提前预警（7天和30天）阳性样本的发生。
4. 模型适用于两个独立的生产系统，并能适应不同的数据粒度情况。
a. 系统A的数据稀少且粒度较低，主要用于推断全球感染趋势；系统B的数据粒度较高，用于构建针对PEDV、PRRSV、MHP和IAV感染的探测模型。
b. 猪只移动数据对模型推广至关重要。尽管系统B的猪只移动数据有限，但研究表明，增加此类数据可以显著提高疾病模型的性能。
　　5. 成功解决了数据可用性和分布偏移问题。对于时间序列数据而言，分布偏移是一个常见且难以克服的问题，但我们通过一系列方法有效应对了这一挑战。

模型性能通过平衡准确性进行评估，这是衡量模型正确分类病例为阳性和阴性的程度的重要指标。使用系统A数据创建的全球疾病模型的平衡准确率为85%，而使用系统B数据创建的特定疾病模型（如PEDV、PRRSV、MHP和IAV感染）的平衡准确率在58%-74%之间。

总体而言，这项研究全面考虑了生产系统的各个组成部分，包括母猪场、保育场和育肥场。通过对两个不同农场生产系统的分析与比较，我们证明了机器学习技术在预测两种情况下阳性样本方面的可行性与潜力。


【版权说明】猪博士平台转载的文章均已注明来源、猪博士平台原创文章其他平台转载须注明来源，特别说明的文章未经允许不可转载。我们发布的文章仅供养猪人学习参考，不构成投资意见。如有不妥，请联系客服删除。