Buffalo Disease Diagnosis Using Machine Learning: A Symptom-Based Text Classification Approach
Notice bibliographique
Résumé
Abstract:Background: Buffaloes play a crucial role in the agricultural economy, especially in regions dependent on dairy and draught animals. However, research specifically targeting disease detection in buffaloes remains limited despite their susceptibility to several infectious diseases. Early and accurate diagnosis is vital for managing disease outbreaks and ensuring herd health. This study uses machine learning (ML) and deep learning (DL) models to emphasize buffalo-specific disease classification. Five commonly occurring diseases, anthrax, blackleg, foot and mouth disease, lumpy skin disease, and pneumonia, were investigated using symptom-based textual descriptions, focusing on enhancing diagnostic accuracy for buffaloes. Methods: Textual symptom data were collected and pre-processed using Term Frequency-Inverse Document Frequency (TF-IDF) to convert unstructured text into numerical feature representations. The study explored three different classification algorithms: Multilayer Perceptron (MLP), Convolutional Neural Network (CNN), and XGBoost. Each model was trained and evaluated on species-specific subsets, with particular attention given to buffalo disease data. Performance was measured using classification accuracy and disease-wise detection effectiveness to assess the suitability of each model for buffalo diagnostics. Results: MLP consistently outperformed the other models in classifying diseases in buffaloes, particularly for anthrax and blackleg, which exhibit distinct symptoms. CNN demonstrated robust handling of complex symptom patterns, while XGBoost provided stable and generalized results. However, the classification accuracy declined for diseases with overlapping clinical features, such as pneumonia and lumpy skin disease. These patterns highlight the challenges in differentiating symptomatically similar diseases and indicate the need for enhanced symptom representation in future research. Conclusion: Based on textual symptom data, the study demonstrates the feasibility and effectiveness of using ML and DL models for automated disease classification in buffaloes. MLP, in particular, shows promise for integrating into intelligent decision-support tools to improve diagnostic accuracy and response time in Buffalo Healthcare. The findings contribute to species-specific veterinary informatics and support the development of targeted surveillance systems for managing buffalo health more effectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».