Knowledge Discovery of Bovine Tuberculosis in the Eurasian Badger using Machine Learning Techniques
Notice bibliographique
Résumé
Bovine tuberculosis (Mycobacterium bovis) is a disease of cattle with severe consequences for agriculture in the British Isles. The Eurasian badger (Meles meles) is implicated in the spread and maintenance of bovine tuberculosis in the cattle population and various measures have been trialed in badgers to control infection. A five-year pilot Test, Vaccinate and Remove investigation (TVR) was carried out in a 100km2area of Northern Ireland that tested, vaccinated, and removed infected badgers. This study used machine learning techniques in order to predict whether a badger has bovine tuberculosis using data collected from the TVR study. Several machine learning models – Decision Trees, Random Forests, Logistic Regression, XGBoost – were created and attempted in order to classify the data with the highest accuracy. Synthetic Minority Oversampling Technique (SMOTE) was also carried out due to imbalance in the data. The C5.0 decision tree model was chosen as the final model. This model was the most appropriate choice as it achieved a very high AUC score with a value of 0.974 in training and 0. 962 in testing. It also had the benefit of being a white-box model. Almost all of the variables were found to be significant, including the visual diagnostic tests used in the study, thus supporting their importance. The final model gives confidence in current diagnostic tests to accurately identify infected badgers and helps to inform future diagnostic test regimes. This study represents one of the first applications of machine learning in wildlife disease control.
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 | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 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 ».