Cost-aware Inference of Bovine Respiratory Disease in Calves using Precision Livestock Technology
Notice bibliographique
Résumé
Bovine Respiratory Disease (BRD) is the second leading cause of death in young dairy calves, and is associated with less growth, and reduced long-term performance such as less milk production, which makes BRD a financial burden on a farm’s economy. Precision technologies, such as accelerometers, automatic feeders, and cameras have been extensively used to collect, summarize, and interpret changes in baseline dairy cattle behavior. While some efforts to evaluate the presence of statistical relationships between calves’ behavior and BRD status have been made, there is very little research in pairing such technologies with manual examinations to improve the accuracy and cost of BRD monitoring. In this paper, we propose a framework for diagnosis and early prediction of BRD in calves. This framework is composed by a machine learning model as well as by a cost-sensitive feature selection problem called Cost Optimization Worth (COW). COW maximizes prediction accuracy given a budget constraint. We show that COW is NP-Hard and propose an efficient heuristic with polynomial complexity. We validate our methodology on a real dataset of 46 automatic and manually collected features, representing 106 calves observed during the preweaning period of 50 days. Our results show that our machine learning model can correctly classify a sick cow with a 97% accuracy and up to 5 days prior to BRD diagnosis, outperforming a recent state-of-the-art approach. Furthermore, our feature selection results show that in a low-budget scenario, manually collected features are more valuable than automated features in detecting sick cows. Conversely, in a high-budget scenario, automated features report higher accuracy for the early prediction of BRD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».