A Checkpoint-Based Hybrid Transformer-CNN Framework for Early Prediction of Escherichia coli Infection Risk in Broiler Chickens

Technische Samenvatting: Checkpoint-gebaseerd Hybride Transformer-CNN Framework voor Vroege Risicovoorspelling van E. coli-infecties

Probleemstelling
Colibacillose, veroorzaakt door pathogene Escherichia coli, blijft een significante beperking in de commerciële pluimveehouderij voor vleeskuikens, wat leidt tot verminderde groei, verhoogde mortaliteit en een slechte voederconversie. Huidige beheerspraktijken vertrouwen vaak op handmatige observatie en retrospectieve productieanalyses, die reactief zijn; interventies vinden doorgaans pas plaats nadat klinische symptomen of productieverliezen zichtbaar zijn geworden. Bovendien vertrouwen bestaande monitoringsstudies vaak op enkelvoudige databronnen (ofwel beeldgebaseerd ofwel sensorgebaseerd), waardoor de complexe interacties tussen omgevingsstressoren, productiemetrics en de visuele conditie van de vogels, die voorafgaan aan ernstige ziekte, niet worden gevangen. Er is behoefte aan een proactief, multimodaal systeem dat in staat is om de geleidelijke risicoprogressie te detecteren voordat ernstige symptomen optreden.

Methodologie
De studie stelt een checkpoint-gebaseerd hybride Transformer-CNN framework voor, ontworpen voor vroege risicovoorspelling. De methodologie integreert vier datamodaliteiten: omgevings-, productie-, gedrags- en visuele data, gestructureerd rond zes specifieke productiecheckpoints (dag 3, 7, 14, 21, 28 en 31).

1. Dataverzameling en Preprocessing:

   • Temporele Data: Omgevingsvariabelen (temperatuur, luchtvochtigheid, ammoniak, CO2), productiemetrics (voeder-/waterinname, lichaamsgewicht, mortaliteit, FCR) en gedragsindicatoren (activiteitsniveau, ventilatiestatus) werden verzameld uit commerciële contexten van vleeskuikens (2022–2025). Deze werden opgeschoond, genormaliseerd en georganiseerd in sequentiële observaties.
   • Visuele Data: Pluimveeafbeeldingen werden aangepast naar 224x224 pixels, genormaliseerd en geaugmenteerd (rotatie, spiegeling, zoomen, helderheidsinstelling) om klassenonbalans aan te pakken, met name voor de categorieën met een laag- en mediumrisico.
   • Labeling: Partijen (flocks) werden geclassificeerd in laag-, medium- en hoogrisicocategorieën op basis van gecombineerde indicatoren.

2. Modelarchitectuur:

   • Transformer Encoder: Een Transformer-model werd ontwikkeld om de sequentiële temporele data te analyseren. Het maakte gebruik van input embeddings, positional encoding, multi-head self-attention en feed-forward lagen om de progressie van het risico over de zes checkpoints te modelleren. Het model werd getraind met de Adam-optimizer en cross-entropy loss op een dataset van ongeveer 90.000 observaties (72.000 training, 18.000 test).
   • Convolutional Neural Network (CNN): Een CNN werd ingezet voor visuele gezondheidsbeoordeling, waarbij afbeeldingen werden geclassificeerd als gezond, laag risico, medium risico, hoog risico en non-broiler. Dit onderdeel diende als ondersteunend bewijs voor de visuele gezondheidstoestand in plaats van een directe pathogendetector.
   • Multimodale Fusie: Decision-level fusie combineerde de waarschijnlijkheidsoutputs van beide modellen tot een gewogen risicoscore.
   • Verklaarbaarheid en Interface: Het systeem incorporeerde Grad-CAM om de beeldregio's te highlighten die de voorspellingen beïnvloeden. Een Streamlit dashboard werd ontwikkeld om risicoscores, betrouwbaarheidsniveaus, bijdragende factoren, waarschuwingen en veterinaire adviesprompts te presenteren.

Belangrijkste Bijdragen

• Hybride Architectuur: De integratie van een Transformer voor temporele sequentiemodellering en een CNN voor visuele beoordeling creëert een multimodaal systeem dat complementaire bewijsbronnen benut.
• Checkpoint-gebaseerde Monitoring: Het framework introduceert een gestructureerde aanpak voor het monitoren van de gezondheid van de partij over zes verschillende productiefasen, waardoor het mogelijk is om trends in achteruitgang over tijd te detecteren in plaats van geïsoleerde momentopnames.
• Verklaarbare Beslissingsondersteuning: In tegen tegenstelling tot "black-box" modellen, biedt dit framework interpreteerbaarheid via Grad-CAM visualisaties, betrouwbaarheidsscores en specifieke adviesprompts, waardoor modeloutputs worden vertaald naar actiegerichte managementinformatie.
• Proactieve Surveillance: Het systeem verschuift de monitoring van pluimveegezondheid van retrospectieve classificatie naar proactieve vroegtijdige waarschuwing, met als doel risico te identificeren voordat ernstige klinische tekenen zich manifesteren.

Resultaten

• Transformer Prestaties: Op 18.000 testobservaties bereikte het Transformer-model een nauwkeurigheid van 99,96%. Het demonstreerde een hoge precisie, recall en F1-scores (allemaal >99%) over de laag-, medium- en hoogrisicocategorieën, met een perfecte recall (100%) voor de laagrisicocategorie.
• CNN Prestaties: Op 249 evaluatiebeelden behaalde de CNN een algehele nauwkeurigheid van 95,58%. Het presteerde sterk op de klassen gezond (100%), hoog risico (96,85%) en non-broiler (100%). De prestaties waren echter lager voor de laagrisico- (50%) en mediumrisicocategorieën (50%), wat wordt toegeschreven aan minder trainingsvoorbeelden en subtiele visuele grenzen in intermediaire risicostaten.
• Systeemintegratie: Het dashboard synthetiseerde deze outputs succesvol. In een gedocumenteerd voorbeeld identificeerde het systeem een hoogrisicopartij (score 0,85) en signaleerde correct bijdragende factoren zoals een hoog ammoniakgehalte, luchtvochtigheid en ventilatieproblemen, waarbij passende waarschuwingen en veterinair advies werden gegenereerd.

Significantie en Claims
De auteurs claimen dat dit framework precisie-pluimveemanagement vooruit helpt door temporele partijgegevens te verenigen met visuele beoordeling in een verklaarbaar vroegtijdig waarschuwingssysteem. De studie stelt dat terwijl omgevings- en productiegegevens een geleidelijke achteruitgang onthullen, beeldgegevens de noodzakelijke visuele bevestiging van de conditie van de vogels bieden. Door deze bronnen te integreren, vermindert het framework de afhankelijkheid van één enkele datatype.

Het artikel benadrukt dat het systeem ondersteuning biedt voor vroegtijdige interventie, beter omgevingsbeheer en datagestuurde gezondheidsbeslissingen. De auteurs nemen echter een bescheiden standpunt in over de implementatie, waarbij zij opmerken dat de hoge nauwkeurigheid van de Transformer wijst op sterke scheidbaarheid binnen de specifieke dataset, maar dat externe validatie over verschillende huisvestingssystemen, klimaten en managementroutines vereist is. Eveneens erkennen zij dat de prestaties van de CNN op intermediaire risicoclassen beperkt worden door data-onbalans en het gebrek aan E. coli-specifieke beelddatasets, wat suggereert dat toekomstig werk grotere, meer gebalanceerde datasets en live IoT-integratie moet adresseren voordat brede operationele adoptie mogelijk is.