Lihong Pan^1,2Xiao Chen^1,3Ding Han^1,4Nan Li¹Deyong Chen^1,2,3,4Junbo Wang^1,2,3,4*Jian Chen^1,2,3,4*Xiaoye Huo^1,4*

• ¹Laboratorio Estatal Clave de Tecnología de Transductores, Instituto de Investigación de Información Aeroespacial, Academia China de Ciencias, Beijing, China
• ^{número arábigo}Escuela de Ciencias Interdisciplinarias Avanzadas, Universidad de la Academia de Ciencias de China, Beijing, China
• ³Escuela de Tecnología del Futuro, Universidad de la Academia de Ciencias de China, Beijing, China
• ⁴Escuela de Ingeniería Electrónica, Eléctrica y de Comunicaciones, Universidad de la Academia de Ciencias de China, Beijing, China

La mastitis bovina, una enfermedad prevalente que causa pérdidas económicas sustanciales en la producción lechera, requiere métodos de detección precisos y robustos. Los enfoques tradicionales basados en umbrales que utilizan conductividad eléctrica (CE) están limitados por la baja especificidad y la variabilidad específica de la granja. Si bien el recuento de células somáticas (SCC) ofrece un biomarcador más confiable para la inflamación intramamaria, los sensores actuales de SCC a menudo arrojan datos imprecisos y son costosos de implementar, lo que resulta en una falta de modelos precisos, cuantitativos y ampliamente aplicables para el monitoreo de la mastitis. Este estudio presenta un marco de diagnóstico basado en el aprendizaje automático que integra la regresión logística (LR), las máquinas de vectores de soporte (SVM) y las redes neuronales feedforward (FNN) para evaluar el rendimiento de la detección de mastitis con EC, SCC y sus entradas combinadas. Utilizando datos de 93 vacas en cuatro granjas lecheras, demostramos que los modelos basados en SCC superan consistentemente a los enfoques basados en EC. El modelo SVM logró una precisión del 95,6% y una sensibilidad del 100% al utilizar SCC como función de entrada. El modelo FNN alcanzó el AUC más alto (0,981), destacando la capacidad de las redes neuronales para capturar patrones complejos. Aunque la adición de EC a SCC no mejoró el rendimiento en todas las métricas, mostró potencial para mejorar la solidez en contextos donde los datos precisos de SCC son limitados. Estos hallazgos subrayan la superioridad diagnóstica del SCC y el potencial de las soluciones de aprendizaje automático personalizadas en los entornos modernos de producción lechera. El trabajo futuro debe centrarse en expandir conjuntos de datos en múltiples regiones e integrar sensores SCC de alta precisión para su implementación en tiempo real en sistemas de detección automatizados.