Nghiên cứu hồi cứu về ứng dụng mô hình học máy (machine learning) trong dự đoán bệnh giảm bạch cầu (Feline panleukopenia virus) ở mèo dựa trên dữ liệu sinh lý và sinh hóa máu

Abstract

This study evaluated the applicability of machine learning models for supporting the diagnosis of Feline panleukopenia virus (FPV) infection in cats based on routine haematological and blood biochemical data. A retrospective study was conducted on 60 cats, including 30 healthy cats and 30 FPV-infected cats, collected from veterinary clinics in Ho Chi Minh City. The data were preprocessed, standardized, and analyzed using seven machine learning algorithms, including Logistic Regression, KNN, Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine, and Naïve Bayes, combined with k-fold cross-validation. The results showed that Logistic Regression, Decision Tree, Random Forest, Gradient Boosting, and SVM achieved an accuracy of 92%, with Random Forest demonstrating optimal performance (AUC = 1.00). Feature importance analysis and PCA identified Mon#, WBC, and GLU as the main predictive biomarkers, while also demonstrating a clear separation between healthy and FPV-infected cats, confirming the potential application of machine learning in veterinary clinical practice.

Tóm tắt

Nghiên cứu này được tiến hành nhằm đánh giá khả năng ứng dụng các mô hình học máy trong hỗ trợ chẩn đoán nhiễm Feline panleukopenia virus (FPV) ở mèo dựa trên dữ liệu huyết học và sinh hóa máu thường quy. Nghiên cứu hồi cứu được thực hiện trên 60 cá thể mèo, gồm 30 mèo khỏe mạnh và 30 mèo nhiễm FPV, được thu thập tại các phòng khám thú y ở Thành phố Hồ Chí Minh. Dữ liệu được tiền xử lý, chuẩn hóa và phân tích bằng bảy thuật toán học máy, bao gồm Logistic Regression, K-Nearest Neighbors, Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine và Naïve Bayes, kết hợp với phương pháp kiểm định chéo k-fold. Kết quả cho thấy Logistic Regression, Decision Tree, Random Forest, Gradient Boosting và SVM đạt độ chính xác 92%, trong đó Random Forest cho hiệu năng tối ưu (AUC = 1.00). Kết quả của phân tích tầm quan trọng của biến và PCA xác định bạch cầu đơn nhân (Mon#), bạch cầu tổng số (WB) và đường huyết (GLU) là các chỉ dấu dự báo chính, đồng thời chứng minh khả năng phân tách rõ ràng giữa mèo khỏe và mèo viêm ruột truyền nhiễm (FPV), khẳng định tiềm năng ứng dụng học máy trong thực hành lâm sàng thú y.