Detection of susceptibility of dairy cows to clinical mastitis by artificial neural networks based on selected genotypes and milk production records
Ziel der Studie war, die Eignung künstlicher neuraler Netze zu prüfen, auf Basis tierärztlicher Diagnosen, Milchleistungsdaten und ausgewählter Genotypen (Lactoferrin, Lysozym, Tumornekrosefaktor-a und kombinierte Defensin-Genotypen) die Anfälligkeit von Milchkühen zur klinischen Mastitis zu erkennen. Zudem wurde der Einfluss der Prädikatorenzahlen auf die Detektionsfähigkeit der neuralen Modelle geprüft. Es wurden 24712 Versuchstagsdaten von 990 polnischen Kühen (Rasse: Holstein-Friesian schwarz weiß) analysiert. Verwendet wurden 8 stetige und 8 nominale Prädikatoren (u. a. Genanteil der Rasse Holstein-Friesian, Abkalbealter/-saison, Milchertrag/-zusammensetzung, vier Genotypen, Laktationsnummer/-phase). Der Gesundheitszustand (Mastitis/gesund) war Ausgangsvariable. Mehrlagige Perzeptronen und Netze mit radialen Basisfunktionen wurden generiert und getestet. Die Werte bei den Mastitisanfälligen Kühen lagen bei 57,8 bis 63,3 % , bei den resistenten Kühen bei 60,3 bis 66,6 %. Die signifikantesten Faktoren für das Auftreten von Mastitis waren: Laktationsnummer/-phase, Abkalbungsalter/-saison, Zeit der Mastitis-Diagnose, Tumornekrosefaktor a und die kombinierten Defensin-Genotypen. Für zwei neurale Netze war der Genotyp des Lactoferrin ebenfalls sehr signifikant, obwohl der Lysozym-Genotyp die Gesundheit nur wenig beeinflusste. Nach Reduzierung der Prädikatoren von 16 auf 5 wurde eine verminderte Aussagekraft der neuralen Netze beobachtet. Es kann festgehalten werden, dass eine Indikation von Mastitis-anfälligen Kühen Präventivmaßnahmen erleichtern und folglich die Mastitis-Häufigkeit in Herden reduzieren kann.
The aim of this study was to verify the applicability of artificial neural networks to the detection of dairy cows susceptible to clinical mastitis based on veterinary records, milk recording data and selected genotypes (lactoferrin, lysozyme, tumor necrosis factor alpha and combined defensin genotypes). Moreover, we wanted to determine the effects of complete and reduced sets of predictors (input variables) on the detection performance of the neural models. A total of 24712 test-day records from 990 Polish Holstein-Friesian Black-and-White cows were analyzed. Eight continuous and eight categorical predictors (including proportion of Holstein-Friesian genes, calving age, milk yield and composition, four genotypes, lactation number and stage, calving season) were used. Health state (mastitis vs. healthy) was an output variable. Multilayer perceptrons and radial basis function networks were trained and tested, yielding the percentages of correctly detected cows susceptible to clinical mastitis and resistant ones in the range of 57.8 to 63.3 % and 60.3 to 66.6 %, respectively. The most significant factors affecting mastitis occurrence were: lactation number and stage, calving age, the season of calving and mastitis diagnosis, tumor necrosis factor alpha and combined defensin genotypes Also, Lactroferrin genotype was quite significant for two neural models, whereas lysozyme genotype had a much smaller effect on the health status of cows. After reducing the initial set of 16 predictors to only five, decreased performance of the networks was observed. It can be concluded that an indication of cows susceptible to clinical mastitis may facilitate the application of preventive measures and consequently reduce mastitis incidence.
Vorschau
Zitieren
Zugriffsstatistik
Rechte
Nutzung und Vervielfältigung:
