Sztuczna inteligencja w walce z gruźlicą bydła
Autor: Mateusz Uciński na podstawie Open Access Government
Hodowcom bydła niewiele rzeczy może tak popsuć ich wysiłki i pracę w stadzie, jak tuberkuloza, czyli gruźlica bydła, przewlekła, wolno postępująca i wyniszczająca choroba. Od lat stanowi ona poważne wyzwanie związane zarówno z ekonomią produkcji, jak i z dobrostanem światowego sektora bydła.
Gruźlica bydła jest wysoce zakaźna i może być przenoszona na inne zwierzęta, a nawet na ludzi. Walka z nią jest bardzo kosztowna z powodu przymusowego uboju, ograniczeń przemieszczania zwierząt oraz kosztów programów kontroli stad i zwalczania. W krajach, w których nie istnieją obowiązkowe programy zwalczania jej nosicieli, choroba ma również poważne konsekwencje dla zdrowia publicznego. Ponieważ tuberkuloza wolno się rozwija, bydło rzadko wykazuje jakiekolwiek oznaki infekcji, dopóki schorzenie nie przejdzie do późniejszych stadiów.
Aby monitorować stan zdrowia stad, bydło musi być poddawane regularnym badaniom diagnostycznym. Obecnie standardem są testy tuberkulinowe, jednak są one czasochłonne, wymagają dużo pracy i prawidłowo identyfikują zakażone zwierzę tylko w około 50-80% przypadków. Możliwe, że dzięki zastosowaniu sztucznej inteligencji osiągnięty zostanie znaczny postęp w tej dziedzinie diagnostyki.
Niedawno brytyjska uczelnia Scotland’s Rural College (SRUC) z siedzibą w Edynburgu zainicjowała przełomowe badania nad tym, jak można monitorować i leczyć gruźlicę bydła o wiele skuteczniej i wydajniej. Eksperyment polega w dużej mierze na obserwowaniu rozwoju gruźlicy w oparciu o próbki mleka i ich analizę w tzw. średniej podczerwieni (MIR). Jak zatem wygląda to badanie? Trzeba przyznać, że jest dość skomplikowane.
Po pierwsze, fenotyp gruźlicy bydła (obserwowalna charakterystyka zakażonego zwierzęcia) został utworzony przy użyciu danych dotyczących tradycyjnych wyników testów tuberkulinowych, statusu hodowli, tego, czy na krowie dokonano uboju i czy zaobserwowano jakiekolwiek zmiany spowodowane przez tą chorobę. Informacje z każdej z tych kategorii połączono, aby stworzyć fenotyp binarny, gdzie zero reprezentuje zdrowe krowy, a 1 oznacza krowy dotknięte gruźlicą.
Współczesne, indywidualne dane MIR mleka, zostały zebrane w ramach jego comiesięcznej rutynowej rejestracji, a następnie dopasowane do statusu gruźlicy poszczególnych zwierząt w dniu testu tuberkulinowego i przekształcone w obrazy 53 × 20 pikseli. Zostały one wykorzystane do wygenerowania swego rodzaju sieci neuronowej na stacji NVIDIA DGX, która była w stanie zidentyfikować szczególne cechy wskazujące na infekcję bydła gruźlicą. Modele stworzone przez Scotland’s Rural College były w stanie zidentyfikować, które krowy prawdopodobnie nie przejdą testu tuberkulinowego, z dokładnością 95% oraz odpowiednią czułością i swoistością o parametrach odpowiednio 0,96 i 0,94.
Aby przetworzyć milionów danych używanych do kreowania modeli predykcyjnych gruźlicy bydła, zespół SRUC potrzebował systemu komputerowego, który byłby szybki, stabilny i bezpieczny. Dzięki wykorzystaniu stacji NVIDIA DGX, modele, które wcześniej wymagały miesięcy pracy, teraz można było generować w ciągu kilku dni. Dzięki oprogramowaniu do analizy danych – RAPIDS, zespół naukowców jeszcze bardziej przyspieszył swoje badania i zaczął opracowywać modele „uczące się” w ciągu zaledwie kilku godzin.
Teraz, użycie pobieranych próbek mleka do wczesnej identyfikacji krów zakażonych gruźlicą, stanowić będzie innowacyjne, niedrogie i, co najważniejsze, nieinwazyjne narzędzie, które może znacząco przyczynić się do wyeliminowania gruźlicy bydła w Wielkiej Brytanii i poza nią. Może ono pozwolić rolnikom uzyskać dostęp do kluczowych informacji znacznie szybciej niż jest to obecnie możliwe. A to umożliwiłoby z kolei podejmowanie przez hodowców skuteczniejszych i bardziej świadomych decyzji, które znacząco poprawiają zdrowie i dobrostan ich zwierząt, a także obniżą koszty leczenia, czy uboju dla gospodarstwa. Zaznaczyć trzeba, że sukces analizy średniej podczerwieni (MIR) może także rozwinąć badania nad innymi chorobami bydła i zwierząt gospodarskich.
