การเรียนรู้ของเครื่องสำหรับการตรวจหาโรค

การเรียนรู้ของเครื่อง (Machine Learning) สำหรับการตรวจหาโรคเป็นการนำโมเดลที่ผ่านการฝึกฝนมาประยุกต์ใช้กับข้อมูลการเพาะเลี้ยงสัตว์น้ำ ภาพจากกล้อง การติดตามพฤติกรรม ประวัติคุณภาพน้ำ และเสียง เพื่อระบุปลาป่วยหรือการ 3 ระบาดที่กำลังจะเกิดขึ้นได้เร็วกว่าการสังเกตด้วยมนุษย์ ระบบคอมพิวเตอร์วิทัศน์จะประเมินสัญญาณภายนอก เช่น แผลที่ผิวหนัง ครีบกัดกร่อน ความขุ่นของตา และการว่ายน้ำที่ผิดปกติจากกล้องใต้น้ำ ในขณะที่โมเดลพฤติกรรมจะทำหน้าที่แจ้งเตือนการกินอาหารที่ลดลง ความซึม หรือความผิดปกติในการรวมกลุ่ม ซึ่งเป็นอาการนำระยะแรกของโรคที่เกิดจากแบคทีเรีย ไวรัส หรือปรสิต ข้อได้เปรียบในทางปฏิบัติคือระยะเวลาล่วงหน้า: โมเดลที่อิงพฤติกรรมมักจะตรวจพบปัญหาล่วงหน้า 2-7 วัน ก่อนที่จะพบการตายที่มองเห็นได้ ซึ่งเปิดโอกาสสำหรับการรักษาแบบเจาะจง การลดปริมาณอาหาร หรือการกักแยก ซึ่งช่วยลดความเสียหายและการใช้ยาปฏิชีวนะได้อย่างมาก ประสิทธิภาพขึ้นอยู่กับคุณภาพของข้อมูลและการติดป้ายกำกับ (labeling): โมเดลที่ฝึกฝนด้วยกล้องจากฟาร์มแห่งหนึ่งจะเสื่อมประสิทธิภาพลงภายใต้ความขุ่น แสง หรือชนิดพันธุ์ที่แตกต่างกัน ดังนั้นการถ่ายโอนจึงต้องมีการฝึกฝนใหม่ในพื้นที่ (retraining) หรือการปรับแต่งอย่างละเอียด (fine-tuning) และป้ายกำกับที่ได้รับการยืนยันจากสัตวแพทย์คือข้อมูลนำเข้าที่หายากซึ่งแยกแยะระหว่างเดโมกับระบบที่ใช้งานได้จริง ฟาร์มควรปฏิบัติกับผลลัพธ์ของโมเดลเสมือนสัญญาณคัดแยก (triage signal) ซึ่งเป็นลำดับคิวของบ่อที่ต้องให้มนุษย์เข้าไปตรวจสอบ ไม่ใช่การวินิจฉัยแบบอัตโนมัติ การบูรณาการที่มีมูลค่าสูงสุดคือการเชื่อมโยงการตรวจหากับซอฟต์แวร์จัดการฟาร์ม (FMS) เพื่อกระตุ้นการสุ่มตัวอย่าง ขั้นตอนการรักษา และการงดให้อหารโดยอัตโนมัติ รวมถึงการสร้างบันทึกทางระบาดวิทยาที่ช่วยปรับปรุงทั้งโมเดลและการตัดสินใจด้านความปลอดภัยทางชีวภาพตลอดรอบการผลิตที่ต่อเนื่องกัน