Machine Learning for Predicting Somatic Cell Count in Holstein Cattle

在奶制品生产的世界里，奶牛乳房的健康状况是决定其产奶质量的最关键因素。农民依靠一种被称为体细胞计数的特定测量值来评估这种健康状况。可以将这些细胞想象成微小的哨兵；当奶牛的乳房健康时，计数量较低。当感染或炎症发生时，身体会派遣更多的这类细胞来对抗问题，导致数值急剧上升。高水平的计数意味着乳房炎，这是一种不仅会让动物感到痛苦，还会减少产奶量并降低产品质量的病症。农民面临的挑战在于，这些细胞计数并不是每天都进行测量的。相反，它们是定期检查的，这导致在两次检查之间存在时间差，在此期间，奶牛的健康状况可能会发生变化而无人知晓。为了填补这些空白，农民长期以来一直希望他们每天已经在收集的其他数据——例如奶牛的产奶量、牛奶中的脂肪和蛋白质含量，以及她的繁殖史细节——能够作为早期预警信号。

多年来，科学家们一直试图使用标准的数学公式将这些日常记录与乳房健康联系起来，但这种关系既混乱又复杂。影响奶牛健康的因素并不遵循一条直线、可预测的路径；它们的相互作用方式很难通过简单的方程来捕捉。最近，伊朗的一组研究人员转向了一种不同的方法：机器学习。这些是旨在发现传统方法难以处理的复杂数据模式的计算机程序。通过将多年的商业荷斯坦奶牛群记录输入这些程序，研究人员旨在观察他们是否可以仅利用农民现有的常规信息来构建一个预测体细胞计数的系统。他们的目标不仅是看这是否可行，还要确定哪种类型的计算机模型效果最好，以及答案是否会随着奶牛产犊次数的变化而改变。

研究人员收集了一个大型荷斯坦奶牛群的数据，重点关注了为每头奶牛记录的十三种不同信息。这包括奶牛的年龄、怀孕时长、产犊前未泌乳的时间，以及她每日的产奶量、脂肪和蛋白质产量。他们还追踪了她的繁殖史，例如产犊后需要多久才能受孕。在清理了错误和异常值的数据后，他们留下了近一万条记录。由于奶牛的生物学特征会随着年龄增长和产犊次数增加而发生显著变化，团队并没有将所有奶牛视为同类。相反，他们将数据分为五个不同的组：初产母牛、二产母牛、三产母牛、四产母牛，以及产犊次数超过四次的母牛。这种区分至关重要，因为年轻母牛的健康规律通常与年长、经验丰富的动物不同。

为了找到预测细胞计数的最佳方法，团队测试了七种不同的计算机建模方法。他们首先测试了三种传统的线性方法，这些方法依赖线性方程在数据中绘制一条直线。然后，他们测试了四种更先进的非线性方法，这些方法可以弯曲和扭转以适应复杂的模式。其中包括模仿人类大脑处理信息方式的贝叶斯神经网络、通过构建许多决策树并结合其答案的随机森林，以及另外两种将数据分类的树状系统。他们利用四分之三的数据对这些模型进行训练，然后用剩余的四分之一数据进行测试，以观察它们在预测从未见过的奶牛的细胞计数方面的表现如何。

结果显示了传统思维与新思维之间的明显分野。传统的线性模型难以捕捉数据的细微差别，在预测细胞计数时经常失准。相比之下，更灵活的非线性模型表现得显著更好。在这些模型中，贝叶斯神经网络和随机森林脱颖而出，成为了表现最好的模型。在最初的几个泌乳组中，这些先进模型的实际数据相关性大约在0.62到0.70之间。虽然这听起来很专业，但它转化为了能够预测趋势的实际能力，而旧方法根本无法达到这一水平。计算机模型能够学习到，产奶量与乳房健康之间的关系并非固定不变；它会随着奶牛的年龄和历史而变化。

当研究人员仔细观察模型实际在关注什么时，一个一致的故事浮现了出来。预测乳房健康最重要的线索是生产特征：奶牛产出的蛋白质、牛奶和脂肪的平均量。在几乎每个组别中，牛奶中的蛋白质含量都是最具影响力的单一因素。随着奶牛年龄的增长，总奶量的作用变得更加重要，并最终成为最年长奶牛的主要预测因子。这在生物学上是合理的，因为乳房的感染通常会破坏奶牛的产奶能力并改变其成分组成。其他因素，如干奶期长度和初次产犊时的年龄，起到了次要作用，但它们的重要性取决于奶牛所处的生命阶段。对于年轻奶牛，初次产犊的年龄更为重要；而对于中年奶牛，两次泌乳之间的休息时长则成为了一个更强的信号。

然而，研究也揭示了一个显著的局限性。虽然模型在奶牛的前几次泌历中表现良好，但在对于产犊次数超过四次的年长组中，其准确度明显下降。这些年长奶牛的相关性降至0.50左右，预测误差也随之增加。研究人员将其归因于数据本身的性质，而非技术的失败。在整个数据集中，这些年长奶牛的记录非常少——在总共约一万条记录中，她们仅占约338条，而初产母牛则有超过4,000条。由于用于学习的数据如此之少，加上年长奶牛表现出更多样且不可预测的健康模式，计算机很难找到可靠的规律。这表明，尽管机器学习功能强大，但它仍然需要足够的数据才能有效运作。

研究结果表明，农民不需要昂贵的新型传感器或复杂的设备，就能更好地掌握两次常规检测之间的乳房健康状况。通过利用他们已经在收集的生产和繁殖数据，并应用这些更先进的计算机模型，他们有可能比以前更早地识别出有患乳房炎风险的奶牛。贝叶斯神经网络和随机森林模型被证明是这项工作的最可靠工具，为观察奶牛日常生活中隐藏的联系提供了可能。然而，研究人员提醒，这些模型是基于来自伊朗单一奶牛群的数据构建的。在该方法推广到全球农场之前，需要在具有不同管理风格和遗传背景的不同奶牛群中进行测试。这项技术在将常规农场记录转化为主动健康监测系统方面展现出了巨大的潜力，但它目前还不是适用于每一个奶制品经营企业的成熟方案。