Evaluación ultrasonográfica asistida por inteligencia artificial del nódulo linfático inguinal superficial para el diagnóstico de mastitis en vacas lecheras
Resumen
La mastitis es una de las enfermedades infecciosas más importantes en el ganado lechero, ya que afecta negativamente al bienestar animal y provoca pérdidas económicas significativas en la industria láctea. Además del análisis de la leche, la evaluación del tejido mamario y de las estructuras linfáticas asociadas, particularmente los nodes linfáticos superficial inguinal, desempeñan un papel relevante en el diagnóstico y el pronóstico. El presente estudio tuvo como objetivo investigar el potencial de modelos de aprendizaje profundo basados en inteligencia artificial para la detección de mastitis mediante el uso de imágenes ultrasonográficas de ganglios linfáticos supramamarios. Se incluyeron un total de 252 vacas Brown Swiss de entre 3 y 6 años de edad, clasificadas en tres grupos según los resultados de la Prueba de Mastitis de California y los hallazgos del examen clínico: mastitis clínica (n = 84), mastitis subclínica (n = 84) y grupo control (n=84). Las imágenes ultrasonográficas en modo B fueron analizadas utilizando seis arquitecturas de aprendizaje profundo preentrenadas, incluyendo MobileNetV3, EfficientNetV2B3, Xception, InceptionV3, NasNet, InceptionResNetV2 y ConvNeXtSmall. Se aplicaron técnicas de aumento de datos y el rendimiento de los modelos se evaluó en los conjuntos de entrenamiento y validación mediante métricas de exactitud, precisión, sensibilidad, F1-score, pérdida y área bajo la curva. Todos los modelos demostraron un rendimiento satisfactorio, destacándose EfficientNetV2B3 con la mayor exactitud (96,87 %), precisión (97,53 %), F1-score (96,79 %) y área bajo la curva (100 %). Estos resultados indican que la integración de parámetros ultrasonográficos y ecotexturales con modelos basados en inteligencia artificial puede mejorar la detección temprana y precisa de la mastitis y contribuir al desarrollo de prácticas de ganadería de precisión.
Descargas
Citas
Bradley K, Bradley A, Barr F. Ultrasonographic appearance of the superficial supramammary lymph nodes in lactating dairy cattle. Vet. Rec. [Internet]. 2001; 148(16):497-501. doi: https://doi.org/d28mfx DOI: https://doi.org/10.1136/vr.148.16.497
Khoramian B, Vajhi A, Ghasemzadeh-Nava H, Ahrari-Khafi MS, Bahonar A. Ultrasonography of the supramammary lymph nodes for diagnosis of bovine chronic subclinical mastitis. Iran. J. Vet. Res. [Internet]. 2015 [cited 20 Mar 2026]; 16(1):75-77. PMID: 27175155. Available in: https://goo.su/tZiG4
Kehrli ME Jr, Harp JA. Immunity in the mammary gland. Vet. Clin. N. Am. Food Anim. Pract. [Internet]. 2001; 17(3):495-516. doi: https://doi.org/rfrr DOI: https://doi.org/10.1016/S0749-0720(15)30003-7
Risvanli A, Dogan H, Safak T, Kilic MA, Seker I. The relationship between mastitis and the B-mode, colour Doppler ultrasonography measurements of supramammary lymph nodes in cows. J. Dairy Res. [Internet]. 2019; 86(3):315-318. doi: https://doi.org/rfrs DOI: https://doi.org/10.1017/S0022029919000530
Themistokleous KS, Sakellariou N, Kiossis E. A deep learning algorithm predicts milk yield and production stage of dairy cows utilizing ultrasound echotexture analysis of the mammary gland. Comput. Electron. Agric. [Internet]. 2022; 198:106992. doi: https://doi.org/rfrt DOI: https://doi.org/10.1016/j.compag.2022.106992
Wang Y, Kang X, He Z, Feng Y, Liu G. Accurate detection of dairy cow mastitis with deep learning technology: A new and comprehensive detection method based on infrared thermal images. Animals. [internet]. 2022; 16(10):100646. doi: https://doi.org/g9wnt2 DOI: https://doi.org/10.1016/j.animal.2022.100646
Silva RABd, Pandorfi H, Cordeiro FR, Soares RGF, Medeiros VWCd, Almeida GLPd, Barbosa-Filho JAD, Marinho GTB, Silva MV. A new way to identify mastitis in cows using artificial intelligence. AgriEngineering. [Internet]. 2024; 6(4):4220-4232. doi: https://doi.org/rfrv DOI: https://doi.org/10.3390/agriengineering6040237
Zhang X, Li Y, Zhang Y, Yao Z, Zou W, Nie P, Yang L. A new method to detect buffalo mastitis using udder ultrasonography based on deep learning network. Animals. [Internet]. 2024; 14(5):707. doi: https://doi.org/rfrw DOI: https://doi.org/10.3390/ani14050707
Vural R, Ergün Y, Özenç E. Büyük ruminantlarda mastitis. In: Kaymaz M, Findik M, Risvanli A, A K, editors. Evcil Hayvanlarda Meme Hastaliklari. Malatya, Türkiye: Medipres; 2016. p.149-259.
Howard A, Zhmoginov A, Chen LC, Sandler M, Zhu M. Inverted residuals and linear bottlenecks: Mobile networks for classification, detection and segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2018 June; Salt Lake City, USA: IEEE; 2018. doi: https://doi.org/gfxgjz
Tan M, Le Q. EfficientNet: Rethinking model scaling for convolutional neural networks. Proceedings of the International Conference on Machine Learning (ICML); 2019 June 9-15; Long Beach, California, USA: PMLR; 2019. doi: https://doi.org/ht8s
Tan M, Le Q. EfficientNetV2: Smaller models and faster training. Proceedings of the International Conference on Machine Learning (ICML); 2021 July 18-24; Virtual Conference: PMLR; 2021. doi: https://doi.org/rfrx
Chollet F. Xception: Deep learning with depthwise separable convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2017 July 21-26; Honolulu, USA: IEEE; 2017. doi: https://doi.org/gfxgtm DOI: https://doi.org/10.1109/CVPR.2017.195
Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Rethinking the inception architecture for computer vision. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2016 June 27-30; Las Vegas, USA: IEEE; 2016. doi: https://doi.org/gftjd7 DOI: https://doi.org/10.1109/CVPR.2016.308
Zoph B, Vasudevan V, Shlens J, Le QV. Learning transferable architectures for scalable image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2017 July 21-26; Honolulu, USA: IEEE; 2017. doi: https://doi.org/gpmnmc
Szegedy C, Ioffe S, Vanhoucke V, Alemi A. Inception-v4, Inception-ResNet and the impact of residual connections on learning. Proceedings of the AAAI Conference on Artificial Intelligence; 2017 Feb 4-9; San Francisco, USA. Palo Alto: AAAI Press. 2017; 31(1):11231. doi: https://doi.org/gq9mjs DOI: https://doi.org/10.1609/aaai.v31i1.11231
Liu Z, Mao H, Wu CY, Feichtenhofer C, Darrell T, Xie S. A ConvNet for the 2020s. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR); 2022 June 18-24; New Orleans, USA: IEEE; 2022. doi: https://doi.org/gq9m63 DOI: https://doi.org/10.1109/CVPR52688.2022.01167
Sunder HA, Gupta D, Singh R, Singh S, Randhawa C. Ultrasonographic changes in teat and supramammary lymph nodes in dairy cows affected with clinical mastitis. Haryana Vet. [Internet]. 2022 [cited 20 Mar 2026]; 61(SI):68-71. PMID: 27175155. Available in: https://goo.su/vaNqv
Mateen A, Aslam S, Abdullah OM, Qaisrani SA, Aziz A, Sajid SM, Din AMU, Khalique MA, Ahmed G. Ultrasound technology in the diagnosis and prognosis of mastitis in dairy cattle: Advancements, applications, and future directions. Indus J. Biosci. Res. [Internet]. 2025; 3(6):484-493. doi: https://doi.org/rfr2 DOI: https://doi.org/10.70749/ijbr.v3i6.1006
