Machine learning analysis of genomic and environmental features of stillbirth: from XGBoost classification to XAI explanation

Fertility reduction, notably in the form of stillbirths, is one of the primary contributors to financial losses in dairy farms. The Holstein breed exhibits a relatively high incidence of perinatal death in comparison to other breeds. Traditional breeding strategies, while economically beneficial in some aspects, often fail to address the complex, multifactorial nature of stillbirths. This study uses machine learning and Explainable Artificial Intelligence techniques to reveal multifaceted features contributing to stillbirth. We focus on the interpretability of machine learning models and decision-making. Our approach utilizes XAI to quantify the impact of individual features, including environmental factors and genetic variants, on the prediction of stillbirths. The study not only predicts stillbirth occurrence but also interprets and validates the decisions made by the models. This approach offers a more comprehensive understanding of the factors leading to stillbirth in livestock.

La riduzione della fertilità, soprattutto sotto forma di mortinatalità, è uno dei principali fattori di perdita economica nelle aziende lattiero-casearie. La razza Holstein presenta un'incidenza relativamente alta di morte perinatale rispetto ad altre razze. Le strategie di allevamento tradizionali, sebbene economicamente vantaggiose sotto alcuni aspetti, spesso non riescono a risolvere la natura complessa e multifattoriale delle mortinatalità. Questo studio utilizza tecniche di machine learning e di Intelligenza Artificiale Spiegabile per rivelare caratteristiche multifaccettate che contribuiscono alla mortinatalità. Ci concentriamo sull'interpretazione dei modelli di machine learning e sul processo decisionale. Il nostro approccio utilizza l'XAI per quantificare l'impatto delle singole caratteristiche, tra cui fattori ambientali e varianti genetiche, sulla previsione delle mortinatalità. Lo studio non solo predice l'occorrenza di mortinatalità, ma interpreta e convalida anche le decisioni prese dai modelli. Questo approccio offre una comprensione più completa dei fattori che portano alla mortinatalità nel bestiame.