La nueva tecnología representa un paso importante hacia una detección de mastitis más efectiva y eficiente en vacas lecheras. La mastitis subclínica es la forma que no muestra signos visibles de inflamación.

La mastitis es una de las enfermedades más comunes en las vacas lecheras, y puede causar una reducción en la producción y calidad de la leche, impactando negativamente en los beneficios económicos de las explotaciones ganaderas. Por lo tanto, la detección oportuna de la mastitis lechera es esencial para minimizar el impacto en la producción lechera.

La mastitis subclínica no muestra signos visibles de inflamación, pero puede causar un aumento en el recuento de células somáticas (SCC) en la leche. La mastitis clínica es una forma más severa de mastitis que muestra signos visibles de inflamación y también puede causar cambios en la leche y molestias en la vaca.

DETECCIÓN DE MASTITIS

Para lograr el rápido diagnóstico, se han estudiado varios métodos de detección y equipos, como recuento de SCC, la prueba de mastitis de California (CMT) y la prueba de pH de la leche. Sin embargo, estos métodos requieren la medición de componentes fisicoquímicos en muestras de leche de vaca utilizando instrumentos especializados en condiciones ambientales estrictas, y el proceso operativo general es tedioso y costoso.

La tecnología de termografía infrarroja (IRT) es un método no invasivo y no destructivo de medición de la temperatura corporal que ha sido utilizado por numerosos investigadores como herramienta de diagnóstico fisiológico y patológico. Sin embargo, la precisión promedio de detección de mastitis ha sido baja en los estudios previos.

No obstante, en los últimos años, con el rápido desarrollo del Deep Learning en sistemas de visión artificial, las redes neuronales convolucionales han logrado un éxito significativo en escenarios de detección de objetivos en escenarios complejos.

Para abordar estos problemas, un grupo de investigadores de China han desarrollado el algoritmo de segmentación semántica CLE-UNet (Centroid Loss Ellipticization UNet) que integra la tecnología infrarroja y las redes neuronales convolucionales.

ELEVADA PRECISIÓN Y SENSIBILIDAD

El objeto experimental de este artículo fue un grupo de 180 vacas Holstein lactantes, sobre las cuales se realizó el estudio. En comparación con el recuento de células somáticas, el nuevo método logró una precisión y sensibilidad de 86,67 % y 82,35 %, respectivamente, para detectar mastitis en estas vacas lecheras.

Ante estos resultados, los autores explican que, si bien el estudio se ha mostrado prometedor en el uso de datos infrarrojos térmicos para la detección de mastitis, “reconocemos que se necesitan más mejoras para aprovechar al máximo el potencial de este método”. Factores como el color de la piel, la cobertura de estiércol y la vellosidad “pueden afectar la precisión y confiabilidad de los resultados termográficos y, por lo tanto, deben abordarse para mejorar la efectividad del método”.

No obstante, “nuestro estudio representa un paso importante hacia una detección de mastitis más efectiva y eficiente en vacas lecheras, lo que en última instancia podría conducir a una mejor salud animal y producción de leche”.

En conclusión, el uso innovador del algoritmo CLE-UNet “ha mejorado significativamente la precisión y ha demostrado ser una herramienta eficaz para detectar con precisión la mastitis en vacas”, celebran.