A Review of Machine Learning Applications in Veterinary Field

Makine öğrenmesi yapay zekanın bir alt çalışma alanı olup eski verilerden geçmiş davranışların ve kuralların öğrenilerek ileriye doğru tahminlerin yapılmasına olanak sağlar. Makine öğrenmesi günümüzde eğitim, tıp, veterinerlik, bankacılık, telekomünikasyon, güvenlik, biyomedikal gibi hemen hemen her alanda kullanılmaktadır. İnsan sağlığında özellikle hastalıkların önceden tahmin edilmesi ve ilgili risk faktörlerinin tespit edilmesinde makine öğrenmesi yöntemleri genellikle tercih edilmekle birlikte hayvan sağlığında doğruluğu ve aynı zamanda ilgili alanda kullanılabilir olup olmadığını belirleyen bu yöntemin uygulandığı çalışmaların sınırlı olduğu görülmektedir. Bu derlemede incelenen çalışmalarda sinir ağları, lojistik regresyon, lineer regresyon, çoklu regresyon, temel bileşen analizi ve k-ortalamalar yöntemlerinden sıklıkla yararlanıldığı ve veterinerlik alanında yapılan makine öğrenmesi çalışmalarının son yıllarda ivme kazandığı gözlemlenmiştir. Ayrıca makine öğrenmesi alanındaki son gelişmelerin (derin öğrenme, kolektif öğrenme, ses tanıma, duygu tanıma, vb.) veterinerlikte yeni yeni uygulandığı gözlemlenmiştir. Bu derlemede çalışmalar kümeleme, sınıflandırma, regresyon, çok değişkenli veri analizi ve görüntü işleme başlıkları altında incelenmiştir. Bu derlemenin amacı makine öğrenmesi ile ilgili temel bilgileri vermek ve bilgisayar bilimleri/mühendisliği ile veterinerlik alanındaki ortak çalışmaları arttırmaktır

Veteriner Hekimlik Alanında Makine Öğrenmesi Uygulamaları Üzerine Bir Derleme

Machine learning is a sub field of artificial intelligence which allows forecasting through learning past behaviors and rules from old data. In today’s world, machine learning is being used almost in any fields such as education, medicine, veterinary, banking, telecommunication, security, and bio-medical sciences. In human health, although machine learning is generally preferred particularly in predicting diseases and identifying respective risk factors, it is obvious that there are a limited number of publications where this method was applied on veterinary or indicates whether it is correct and applicable. In this review, it was observed that the neural network, logistic regression, linear regression, multiple regression, principle component analysis and k-means methods were frequently used in examined publications and machine learning application in veterinary field upward momentum. Additionally, it was observed that recent developments in the field of machine learning (deep learning, ensemble learning, voice recognition, emotion recognition, etc.) is still new in the field of veterinary. In this review, publications are examined under clustering, classification, regression, multivariate data analysis and image processing topics. This review aims at providing basic information on machine learning and to increase the number of multidisciplinary publications on computer sciences/engineering and veterinary field

PDF

___

1. Witten IH, Frank E: Data Mining: Practical Machine Learning Tools and Techniques. 2nd edn., Morgan Kaufmann Publishers, 29-30, 2005.
2. Amasyalı MF: Yeni makine öğrenmesi metodları ve ilaç tasarımına uygulamaları. Doktora Tezi, Yıldız Teknik Üniv. Fen Bil. Enst., 2008.
3. Bal M, Sever H, Kalıpsız O: Modeling the symptom-disease relationship by using rough set theory and formal concept analysis. World Acad Sci Eng Technol (WASET), 26 (12): 517-521, 2007.
4. Aktaş MS, Kalıpsız O: Veri madenciliğinde özellik seçim tekniklerinin bankacılık verisine uygulanması üzerine araştırma ve karşılaştırmalı uygulama. 9. Ulusal Yazılım Mühendisliği Sempozyumu (UYMS), 09-11 Eylül, İzmir, 72-83, 2015.
5. Kırtay SH, Ekmekci N, Halıcı T, Ketenci U, Aktas MS, Kalıpsız O: Pazar sepeti analizi için örneklem oluşturulması ve birliktelik kurallarının çıkartılması. 9. Ulusal Yazılım Mühendisliği Sempozyumu (UYMS), 09-11 Eylül, İzmir, 172-183, 2015.
6. Cihan P, Kalıpsız O: Öğrenci proje anketlerini sınıflandırmada en başarılı algoritmanın belirlenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi (TBV BBMD), 8 (1): 41-49, 2015.
7. Cihan P, Kalıpsız O, Cingiz MÖ, Doksöz M: Yazılım geliştirme dersleri öğrenci projelerinin birliktelik kuralı ile değerlendirilmesi, 7. Ulusal Yazılım Mühendisliği Sempozyumu (UYMS), 25-28 Eylül, İzmir, 2013.
8. Olcaysoy AB, Kalıpsız O, Gürlesin T, Türkdoğan Ş: Yazılım proje faktörlerinin risklerle etkileşimi: Telekomünikasyon örneği. 9. Ulusal Yazılım Mühendisliği Sempozyumu (UYMS), 09-11 Eylül, İzmir, 47-58, 2015.
9. Ayyıldız M, Kalıpsız O, Sırma Y: Yazılım geliştirme projelerinde yapay sinir ağı kullanarak maliyet tahmini. III. Ulusal Yazılım Mühendisliği Sempozyumu ve Sergisi (UYMS), 27-30 Eylül, Ankara, 2007.
10. Hong L, Wan Y, Jain A: Fingerprint image enhancement: Algorithm and performance evaluation. IEEE Trans Pattern Anal Mach Intell, 20 (8): 777-789, 1998.
11. Liam LW, Chekima A, Fan LC, Dargham JA: Iris recognition using self-organizing neural network. Res Develop Student Conf IEEE, 2002, SCOReD 2002,169-172, 2002. DOI: 10.1109/SCORED.2002.1033084
12. Viola P, Jones MJ: Robust real-time face detection. Int J Comput Vision, 57, 137-154, 2004. DOI: 10.1023/B:VISI.0000013087.49260.fb
13. Marti UV, Bunke H: Using a statistical language model to improve the performance of an HMM-based cursive handwriting recognition system. Int J Pattern Recogn, 15, 65-90, 2001. DOI: 10.1142/S0218001401000848
14. Hoi SCH, Jin R, Zhu J, Lyu MR: Batch mode active learning and its application to medical image classification. Proceedings of the 23rd International Conference on Machine learning (ICML ‘06), June 25-29, Pennsylvania, USA, 417-424, 2006. DOI: 10.1145/1143844.1143897
15. Cordón O, Herrera-Viedma E, Lapez-Pujalte C, Luque M, Zarco C: A review on the application of evolutionary computation to information retrieval. Int J Approx Reason, 34, 241-264, 2003. DOI: 10.1016/j. ijar.2003.07.010
16. Kaur H, Wasan S: Empirical study on applications of data mining techniques in healthcare. J Comput Sci, 2 (2): 194-200, 2006.
17. Şentürk ZH: Veri madenciliğiyle kanser tanısı. Yüksek Lisans Tezi, Düzce Üniv. Fen Bil. Enst., 2011.
18. Patil MB, Joshi RC, Toshniwal D, Biradar S: A new approach: Role of data mining in prediction of survival of burn patients. J Med Syst, 35, 1531-1542, 2011. DOI: 10.1007/s10916-010-9430-2
19. Elmas F: Kalp krizi riskinin bir veri madenciliği uygulaması ile analizi. Yüksek Lisans Tezi, Muğla Sıtkı Koçman Üniv. Fen Bil. Enst., 2014.
20. Şık MŞ: Veri madenciliği ve kanser erken teşhisinde kullanımı. Yüksek Lisans Tezi, İnönü Üniv. Sosyal Bil. Enst., 2014.
21. Erkuş S: Veri madenciliği yöntemleri ile kardiyovasküler hasta tahminin yapılması. Yüksek Lisans Tezi, Bahçeşehir Üniv. Fen Bil. Enst., 2015.
22. Topuz MD: Makine öğrenmesi algoritmaları ve anomali tespiti. Yüksek Lisans Tezi, Bahçeşehir Üniv. Fen Bil. Enst., 2014.
23. Gürcan S, Akçapınar H: Alman et ve karacabey merinosu koyunlarının canlı ağırlık, vücut ölçüleri ve yapağı inceliği yönünden kümeleme analizi ile incelenmesi. Turk J Vet Anim Sci, 26, 1255-1261, 2002.
24. Küçükönder H, Üçkardeş F, Narinç D: Hayvancılık alanında bir veri madenciliği uygulaması: Japon bıldırcını yumurtalarında döllülüğe etki eden bazı faktörlerin belirlenmesi. Kafkas Univ Vet Fak Derg, 20, 903-908, 2014. DOI: 10.9775/kvfd.2014.11353
25. Ghotoorlar SM, Ghamsari SM, Nowrouzian I, Ghotoorlar SM, Ghidary SS: Lameness scoring system for dairy cows using force plates and artificial intelligence. Vet Rec, 170, 126, 2012. DOI: 10.1136/ vr.100429
26. Gökçe E, Atakişi O, Kırmızgül AH, Erdoğan HM: Risk factors associated with passive immunity, health, birth weight and growth performance in lambs: III. The relationship among passive immunity, birth weight gender, birth type, parity, dam’s health and lambing season. Kafkas Univ Vet Fak Derg, 19, 741-747, 2013. DOI: 10.9775/kvfd.2013.8441
27. Bozkurt Y, Aydoğan T, Tüzün CG: Açıkta besi (feedlot) sisteminde yetiştirilen esmer ve siyah alaca ırkı hayvanların sayısal görüntü işleme ve yapay sinir ağları yöntemi ile performans ve karkas özelliklerinin saptanması, Tübitak Projesi, Proje no: 111O269, 2013.
28. Alpaydın E: Introduction to Machine Learning. MIT Press, 2nd ed., 3-4, Cambridge, MA, 2010.
29. Nilsson N: Introduction to Machine Learning. California, United Stated of Americas, 1996.
30. Kudyaba S, Hoptroff R: Data Mining and Business Inteligence. Idea Group Publishing, 2001.
31. Gökçe E, Atakişi O, Kırmızıgül AH, Ünver A, Erdoğan HM: Passive immunity in lambs: Serum lactoferrin concentrations as a predictor of IgG concentration and its relation to health status from birth to 12 weeks of life. Small Ruminant Res, 116, 219-228, 2014. DOI: 10.1016/j. smallrumres.2013.11.006
32. Tirozzi B, Bianchi D, Ferraro E: Introduction to computational neurobiology and clustering. 104-106, World Scientific, Singapore, 2007.
33. Schalkoff RJ: Digital Image Processing and Computer Vision. John Wiley, New York, 1989.
34. Hair JR, Joseph F, Hult GTM, Ringle C, Sarstedt M: A primer on partial least squares structural equation modeling (PLS-SEM). Sage Publications, 2016.
35. Akıllı A, Atıl H, Takma Ç, Ayyılmaz T: Fuzzy logic-based decision support system for dairy cattle. Kafkas Univ Vet Fak Derg, 22, 13-19, 2016. DOI: 10.9775/kvfd.2015.13516
36. Hempstalk K, McParland S, Berry DP: Machine learning algorithms for the prediction of conception success to a given insemination in lactating dairy cows. J Dairy Sci, 98, 5262-5273, 2015. DOI: 10.3168/ jds.2014-8984
37. Lewis FI, Brülisauer F, Gunn GJ: Structure discovery in Bayesian networks: An analytical tool for analysing complex animal health data. Prev Vet Med, 100, 109-115, 2011. DOI: 10.1016/j.prevetmed.2011.02.003
38. Karabağ K, Alkan S, Mendeş M: Classification tree method for determining factors that affecting hatchability in chukar partridge (alectoris chukar) eggs. Kafkas Univ Vet Fak Derg, 16, 723-727, 2010. DOI: 10.9775/kvfd.2009.1539
39. Ortiz-Pelaez Á, Pfeiffe DU: Use of data mining techniques to investigate disease risk classification as a proxy for compromised biosecurity of cattle herds in Wales. BMC Vet Res, 4, 1-16, 2008. DOI: 10.1186/1746-6148-4-24
40. Gokce E, Kırmızıgul AH, Citil M, Erdogan HM: Risk factors associated with passive immunity, health, birth weight and growth performance in lambs: I. Effect of parity, dam’s health, birth weight, gender, type of birth and lambing season on morbidity and mortality. Kafkas Univ Vet Fak Derg, 19 (Suppl-A): A153-A160, 2013. DOI: 10.9775/kvfd.2012.8440
41. Gökce E, Atakisi O, Kırmızigul AH, Erdogan HM: Risk factors associated with passive immunity, health, birth weight and growth performance in lambs: II. Effects of passive immune status and some risk factors on growth performance during the first 12 weeks of life. Kafkas Univ Vet Fak Derg, 19, 619-627, 2013. DOI: 10.9775/kvfd.2013.8442
42. Teke EÇ, Orhan H, Küçüksille EU, Bilginturan S, Teke H: Veri madenciliği süreci ile siyah alaca sığırlarda canlı ağırlık tahmini. 8. Ulusal Zootekni Bilim Kongresi, 5-7 Eylül, Çanakkale, 365, 2013.
43. Takma Ç, Atıl H, Aksakal V: Çoklu doğrusal regresyon ve yapay sinir ağı modellerinin laktasyon süt verimlerine uyum yeteneklerinin karşılaştırılması. Kafkas Univ Vet Fak Derg, 18, 941-944, 2012. DOI: 10.9775/ kvfd.2012.6764
44. Hermann-Bank M L, Skovgaard K, Stockmarr A, Strube ML, Larsen N, Kongsted H, Ingerslev HC, Mølbak L, Boye M: Characterization of the bacterial gut microbiota of piglets suffering from new neonatal porcine diarrhoea. BMC Vet Res, 11, 1-19, 2015. DOI: 10.1186/s12917-015-0419-4
45. Nantima N, Ocaido M, Ouma E, Davies J, Dione M, Okoth E, Mugisha A, Bishop R: Risk factors associated with occurrence of African swine fever outbreaks in smallholder pig farms in four districts along the Uganda-Kenya border. Trop Anim Health Prod, 47, 589-595, 2015. DOI: 10.1007/s11250-015-0768-9
46. Dupuy C, Morignat E, Maugey X, Vinard JL, Hendrikx P, Ducrot C, Calavas D, Gay E: Defining syndromes using cattle meat inspection data for syndromic surveillance purposes: a statistical approach with the 2005-2010 data from ten French slaughterhouses. BMC Vet Res, 9, 1-17, 2013. DOI: 10.1186/1746-6148-9-88
47. Warns-Petit E, Morignat E, Artois M, Calavas D: Unsupervised clustering of wildlife necropsy data for syndromic surveillance. BMC Vet Res, 6, 1-11, 2010. DOI: 10.1186/1746-6148-6-56
48. Doğan İ: Selection by cluster analysis. Turk J Vet A nim Sci, 26 (1): 47- 53, 2002.
49. Yunusa AJ, Salako AE, Oladejo OA: Principal component analysis of the morphostructure of Uda and Balami sheep of Nigeria. Int Res J Agric Sci, 1 (3): 45-51, 2013.
50. Akçay A, Uğurlu M, Yakan A, Atasoy F: Etçi piliçlerde karkas özelliklerinin temel bileşenler analizi ile değerlendirilmesi. Uluslararası Katılımlı XIV. Ulusal Biyoistatistik Kongresi, 91, 2012.
51. Casanova PMP, Sinfreu I, Villalba D: Principal component analysis of cephalic morphology to classify some Pyrenean cattle. Anim Genet Resour, 50, 59-64, 2012. DOI: 10.1017/S2078633611000385
52. Meyer K: Multivariate analyses of carcass traits for Angus cattle fitting reduced rank and factor analytic models. J Anim Breed Genet, 124, 50- 64, 2007. DOI: 10.1111/j.1439-0388.2007.00637.x
53. Lee CH, Chou CH, Han CC, Huang RZ: Automatic recognition of animal vocalizations using averaged MFCC and linear discriminant analysis. Pattern Recognition Letters, 27, 93-101, 2006. DOI: 10.1016/j.patrec.2005.07.004
54. Caraviello DZ, Weigel KA, Craven M, Gianola D, Cook NB, Nordlund KV, Fricke PM, Wiltbank MC: Analysis of reproductive performance of lactating cows on large dairy farms using machine learning algorithms. J Dairy Sci, 89, 4703-4722, 2006. DOI: 10.3168/jds.S0022-0302(06)72521-8
55. Bilgin ÖC, Esenbuğa N: Morkaraman koyunlarının vücut ölçüleri ve karkas ağırlıkları arasındaki ilişkinin değerlendirilmesinde kanonik korelasyon analizinin kullanılması. GAP IV. Tarım Kongresi, 21-23 Ekim, Şanlıurfa, 21-23, 2005.
56. Mcevoy FJ, Amigo JM: Using machine learning to classify image features from canine pelvic radiographs: Evaluation of partial least squares discriminant analysis and artificial neural network models. Vet Radiol Ultrasound, 54, 122-126, 2013. DOI: 10.1111/vru.12003
57. Bilgin E, Ceylan M, Yalçın H: A digital image processing based bioidentification application from planum nasale of Kangal dogs. IEEE 19th Signal Processing and Communications Applications Conference (SIU), 20- 22 April, Antalya, 275-278, 2011. DOI: 10.1109/SIU.2011.5929640
58. Slósarz P, Stanisz M, Boniecki P, Przybylak A, Lisiak D, Ludwiczak A: Artificial neural network analysis of ultrasound image for the estimation of intramuscular fat content in lamb muscle. Afr J Biotechnol, 10, 11792- 11796, 2011.