Título:	Detecção de mastite em leite bovino por espectroscopia FTIR e aprendizado de máquina utilizando contagem de células somáticas.
Autoria:	SOUZA, R. D. BARBOSA, R. S. FERNANDES, S. A. de A.
Afiliação:	ROMICY DERMONDES SOUZA, UNIVERSIDADE ESTADUAL DO SUDOESTE DA BAHIA; ROSANGELA SILVEIRA BARBOSA, CPACT; SÉRGIO AUGUSTO DE ALBUQUERQUE FERNANDES, UNIVERSIDADE ESTADUAL DO SUDOESTE DA BAHIA.
Ano de publicação:	2025
Referência:	In: CONGRESSO BRASILEIRO DE CLÍNICA MÉDICA VETERINÁRIA, 4., 2025. Online. Anais... Nova Olinda: Sociedade Brasileira de Eventos Científicos, 2025. Revista Multidisciplinar em Saúde, v. 6, n. 4, 2025.
Conteúdo:	A qualidade do leite é um fator crítico para a saúde pública e para a indústria de laticínios. A Contagem de Células Somáticas (CCS) é um indicador-chave da saúde do úbere e da qualidade do leite, com valores elevados estando associados à mastite. Técnicas espectroscópicas, como a Espectroscopia no Infravermelho com Transformada de Fourier (FTIR), combinadas com algoritmos de aprendizado de máquina, surgem como alternativas promissoras para uma detecção mais rápida e confiável. Este estudo teve como objetivo classificar amostras de leite com base na CCS (acima ou abaixo de 500 x 10 3 células/mL) utilizando espectroscopia FTIR combinada com o algoritmo de aprendizado de máquina Random Forest. Foram analisadas 658 amostras de leite de vacas Jersey. A CCS foi determinada por citometria de fluxo, e os espectros FTIR foram coletados na região do infravermelho médio. O algoritmo Boruta foi utilizado para seleção das bandas espectrais mais discriminativas. O conjunto de dados foi dividido em treinamento (70%) e teste (30%). O modelo de classificação Random Forest foi configurado com 500 árvores, e seu desempenho foi avaliado por meio de matriz de confusão e métricas derivadas. O algoritmo Boruta selecionou 29 números de onda discriminativos, localizados principalmente nas regiões associadas a lipídios (1724–1774 cm-1 ) e lactose (1018–1126 cm-1 ). O modelo Random Forest alcançou uma acurácia balanceada de 0,797. A especificidade foi alta (0,908), indicando boa capacidade de identificar amostras com baixa CCS. No entanto, a sensibilidade foi moderada (0,623), revelando uma dificuldade em detectar todas as amostras com CCS elevada. A precisão e o F1-Score foram de 0,814 e 0,706, respectivamente. A combinação FTIR-Random Forest mostrou-se um método viável e não destrutivo para a triagem de leite com base na CCS, com forte desempenho na identificação de amostras de baixa CCS. A baixa sensibilidade, contudo, aponta a necessidade de otimizações futuras, como o balanceamento de dados e ajuste de parâmetros, para melhorar a detecção de mastite subclínica.
Thesagro:	Leite Qualidade
Palavras-chave:	Saude animal
Tipo do material:	Artigo em anais e proceedings
Acesso:	openAccess
Aparece nas coleções:	Artigo em anais de congresso (CPACT)