TW201931277A - 用於疾病預測及控制之方法及系統 - Google Patents

用於疾病預測及控制之方法及系統 Download PDF

Info

Publication number
TW201931277A
TW201931277A TW107138259A TW107138259A TW201931277A TW 201931277 A TW201931277 A TW 201931277A TW 107138259 A TW107138259 A TW 107138259A TW 107138259 A TW107138259 A TW 107138259A TW 201931277 A TW201931277 A TW 201931277A
Authority
TW
Taiwan
Prior art keywords
disease
peptide
data
prediction model
spore germination
Prior art date
Application number
TW107138259A
Other languages
English (en)
Other versions
TWI704513B (zh
Inventor
陳文亮
李曉青
林家珩
吳承鴻
梁鈞為
林子暄
黃榆婷
周宜婷
張夆昌
陳芃慈
林家軒
劉容妤
吳晨璿
張添育
羅右喬
蘇楷翔
李盈欣
郭明杰
Original Assignee
國立交通大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 國立交通大學 filed Critical 國立交通大學
Publication of TW201931277A publication Critical patent/TW201931277A/zh
Application granted granted Critical
Publication of TWI704513B publication Critical patent/TWI704513B/zh

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本揭露係提供一種用於植物疾病控制的方法，包含預測疾病發生之可能性，及建議用於經鑑別之病原體及/或宿主之適當且有效的控制措施。本揭露亦提供推薦之管理動作及其它警報和通知之咨詢服務。

Description

用於疾病預測及控制之方法及系統
本揭露係關於疾病預測及控制，尤係關於一種發生疾病的預測，且使用預測之疾病治療手段控制該疾病的方法。
由病原體如真菌造成之植物疾病影響農場之農作物及土壤，且係農業生產中之常見問題。真菌病佔據植物疾病總數多達三分之二，通常係施加化學農藥，或將整個農場遺棄以消除真菌病，植物疾病因此導致巨大之經濟損失。尤其是近年來所觀察到之氣候變遷程度，改善及應用害蟲及疾病模型以預測病原體感染之發生以及建議適宜之控制措施，仍係農業界之挑戰。
惟，近幾十年來資訊科技的大幅進步，提供了用以解決包括農業之不同領域中之問題的創新方法。以發展對探勘安排或農藥施用之支持功能為目標的作物疾病及害蟲模式建立，業經得以應用。對疾病發生之時間及可能性，甚或病原體之類型及適當之殺蟲劑的較佳預測係所欲者。
另一方面，儘管現在已可蒐集多種類型及大量關於作物管理之訊息，並將其儲存以備後續之分析，仍有對該大量資料有效使用的需求。組織且評估該大量資料並找出用於分析的最佳方法可能曠日持久，因此，有其需要對於可在短時間內處理大量數據，以令其因應病原體威脅而及時動作的資料之有效模式的建立。
本揭露係提供用於植物之疾病控制的系統。又，本揭露係預測疾病出現之可能性，且推薦用於經鑑別之病原體及/或農作物之適當且有效的控制措施。本揭露復提供一整合之資料庫，其包括用於預測有效控制植物疾病的相關資料。本揭露又提供一種系統及方法，其係檢查天氣條件及作物管理，以建立在特定時段中於一區域內發生疾病之風險的模型，且做出對於該區域內疾病發生的預測。本揭露亦向種植者、土地所有者、作物指導者、及其它具有責任者提供所觀測之區域內病原體存在之可能的指示，以進行一種或多種因應性管理動作。本揭露再提供一種咨詢服務，其係向所觀測之處於病原體存在風險下或預測下之區域的種植戶、土地所有者、作物指導者及其它具有責任者推薦管理動作及其它警示和通知。
本揭露提供一種用於疾病控制之系統，其包含：複數個感測器，其配置為用以檢測環境資訊；以及一處理器，其配置成藉由下述建立疾病預測模型：採集疾病資料及氣象資料，合併該疾病資料及氣象資料以形成組合資料，藉由機器訓練及測試程序處理該組合資料，以及鑑別複數種疾病發生模式，其中，該疾病預測模型係配置成根據該環境資訊及該模式而計算疾病發生之可能性。在一具體實例中，該疾病預測模型採集之氣象資料係包括觀察時間、壓力、溫度、露點溫度、相對濕度、風速、風向、降雨、日照時間、能見度、紫外線係數、及雲量之至少一者。
在一具體實例中，該疾病預測模型之疾病資料係包括表明該疾病發生之陽性標記及陰性標記。
在一具體實例中，該疾病預測模型之處理器係進一步藉由從該疾病資料及氣象資料抽取特徵而配置，其中，該等特徵係藉由用於機器訓練及測試程序之處理器進行處理。在一具體實例中，該機器訓練及測試程序係與卷積神經網路(convolutional neural network，CNN)相關。
在一具體實例中，本揭露係提供一種用於疾病控制之系統，其係具有配置成將環境資訊透過物聯網(IoT)技術傳送至該疾病預測模型的感測器。另一具體實例中，該環境資訊係包括相對濕度、溫度、降雨及壓力之至少一者。於又一具體實例中，該氣象資料係於5天、7天、10天、14天、18天或21天之時間段內採集。在一具體實例中，該氣象資料係於14天之時間段內採集。
在一具體實例中，本揭露亦提供一種用於疾病控制的系統，其中，該處理器係配置成藉由進一步將該等模式分類為代表疾病並未發生之陰性輸出，或代表疾病發生之陽性輸出而建立該疾病預測模型。於另一具體實例中，該疾病預測模型係進一步配置為根據該陰性輸出或陽性輸出而發出警告。於另一具體實例中，該處理器係進一步配置為用以建立孢子萌發模型，該模型係配置成根據該環境資訊計算孢子萌發率。於又一具體實例中，該孢子萌發模型係基於相對濕度及溫度。於再一具體實例中，該孢子萌發模型所根據之相對濕度及溫度係獨立之事件。
在一具體實例中，本揭露係提供一種用於疾病控制之系統，其中，該處理器係配置成透過該疾病預測模型及該孢子萌發模型而提供疾病發生之時間。於另一具體實例中，該疾病預測模型或該孢子萌發模型係配置成透過物聯網(IoT)技術而將該疾病發生之可能性或該疾病發生之時間輸送至一噴灑系統。於又一具體實例中，該孢子萌發模型係灰黴菌(Botrytis cinerea )之孢子萌發率、嗜熱毀絲黴菌(Myce-liophthora thermophila )之孢子萌發率、黑曲黴(Aspergillus niger )之孢子萌發率、稻熱病菌(P. oryzae )之孢子萌發率、樹生色二孢菌(Diplodia corticola )之孢子萌發率、或假尾孢菌(Pseudocercospora )之孢子萌發率。
在一具體實例中，本揭露亦提供一種用於疾病控制之系統，其中，該處理器復包括一胜肽預測模型，該胜肽預測模型係配置成藉由計分卡方法(Scoring Card Method，SCM)預測具有抗真菌功能之胜肽。於另一具體實例中，該胜肽預測模型係牽涉藉由測定組成胜肽之二肽的習性而計算該胜肽之得分。於又一具體實例中，該胜肽預測模型係藉由分析該胜肽之序列而計算該胜肽之得分。於另一具體實例中，該胜肽預測模型係進一步配置為包含一檢索系統，該檢索系統含有宿主、病原體、及相應胜肽之間的關係。於再一具體實例中，該疾病控制系統係與噴灑系統連結，且該噴灑系統係配置成基於該疾病發生可能性而將具有抗真菌功能之胜肽噴灑至一區域。
參照以下具體實例之描述及隨附之圖式，將能明瞭本揭露之其他態樣及特徵，其係以例示之方式闡述本揭露之原理。
本揭露係一種框架，於該框架下，發展出用於預測不同疾病之發生並提供對該疾病之治療的系統及方法。該框架利用機器學習及大數據分析，且包括胜肽預測模型及疾病發生預測模型。
於本揭露提供之框架下，該胜肽預測模型包含一資料庫，該資料庫涉及以SCM為基礎之抗真菌胜肽預測系統及目標疾病之相關資料。該疾病發生預測模型係藉由CNN技術建立，以預測疾病之可能性及爆發時間點。該框架之元件係藉由IoT技術連結，且該系統以集合資料的雲端運算運作。

胜 肽預測模型
該胜肽預測模型讓使用者能夠有效率地鑑別用作疾病控制措施之目標胜肽。為了預測用於真菌病之目標抗真菌胜肽，構建一抗真菌資料庫，該抗真菌資料庫具有評估並預測具有抗真菌潛力的胜肽的抗真菌預測系統，以及含有宿主、病原體及相應胜肽關係的檢索系統。因此，該抗真菌資料庫允許根據使用者之需求而查詢宿主、病原體及相應之胜肽，且該資料庫對抗真菌胜肽具有發現新藥物及改變舊藥物用途兩者的功能。
本揭露係採用人工智慧並以抗真菌胜肽預測系統強化大資料集之能力，該系統係基於進一步優化配置之SCM。本揭露之抗真菌胜肽預測系統僅基於序列分析評估並預測胜肽之抗真菌特徵，且提供一具有簡潔性、可解釋性、及可接受的準確性的用於胜肽預測之方法。
該SCM係基於支援向量機(Support Vector Machine，SVM)，且係文獻中已知之方法[1]。為了預測並評估胜肽之抗真菌特性，將SCM以用於機器學習之生物訊息的想法引入胜肽預測模型。於本揭露之胜肽預測模型中所使用之SCM，不僅能預測該胜肽之功能，而且可預測該胜肽之重要結構域。於本揭露之胜肽預測模型中，該SCM係包括至少兩個部分，亦即，二肽得分之計算以及基於基因演算法之智慧型基因演算法(IGA)。
胜肽預測模型係以本文中進一步揭示之資料集、藉由分析二肽及其權重計算胜肽得分、以及智慧型基因演算法(IGA)執行。
本揭露之胜肽預測模型資料集包含陽性資料及陰性資料。該陽性資料係具有抗真菌特性之胜肽，其可包含來自該抗真菌資料集之胜肽，如CAMP、PhytAMP，或係彼等於文獻中已知者及公開於公共領域者，如PubMed。該陰性資料係不具備抗真菌特性之胜肽，其可包含於該蛋白質與胜肽資料庫中未標註為抗真菌者，如UniProt。訓練資料集與測試資料集係藉由降低陽性資料與陰性資料之序列一致性而建立，且該等資料係分為兩部分，因此每一資料集具有等量之陽性資料與陰性資料。
「二肽」係由兩個胺基酸(AA)組成，且視為最小之功能單位。第1圖係將胜肽顯示為由二肽形成的群組的例示圖。胜肽之抗真菌特徵預測係基於對該胜肽之序列分析。具有較多具抗真菌潛力二肽的胜肽將更有可能是抗真菌胜肽，反之亦然。完整400個獨立二肽之二肽習性係以統計上區分抗真菌胜肽與非抗真菌胜肽之二肽組成而獲得。每一胜肽之每一個二肽頻率係乘以權重以得到一得分。如果該胜肽之得分高於計算得出之閾值，則其預測為抗真菌胜肽。胜肽之得分較高表示其所具備之抗真菌功能的可能性更高。
每一個二肽之初始權重值係於陽性資料集中出現之二肽的比例減去於陰性資料集中出現的比例。該權重值隨後係藉由IGA進一步優化。
使用一種選擇方法以選擇權重，並從所有權重中擇取兩個權重：一者為具有最高適應性數值者，一者係藉由選擇方法而選擇。該適應性數值係作為初始及優化習性得分與AUC間之相關係數的函數而計算，其中，AUC係ROC (接收者操作特徵(Receiver Operating Characteristic))曲線下之面積。AUC愈接近1，則代表該預測模型之準確性愈高。
該胜肽預測模型復包含執行交叉選擇及優化之IGA (智慧型基因演算法)。本文中，交叉選擇係隨機選擇兩個權重以進行交換之一對參數的交叉選擇。優化係已知技藝[2]，且牽涉用於大參數優化之創造性方法，於該方法中，該選擇函數係經設計為用以簡化不同參數集之數量。
該胜肽預測模型係進一步配置為包含一檢索系統，且該檢索系統係含有該胜肽預測中相關資料之關聯。該等相關資料可包括宿主、病原體及胜肽。此等相關資料係加總為單一抗真菌資料庫，該資料庫提供針對特定宿主或特定病原體之潛在胜肽有效率的檢索。該抗真菌資料庫亦允許宿主與胜肽之間或病原體與胜肽之間的交叉匹配，進而實現已知藥物的改變用途。

疾病發生模型
該疾病發生模型係提供每日疾病發生之可能性。於該疾病發生模型中，係使用卷積神經網路(Convolutional Neural Network，CNN)方法來捕捉人類難以識別之氣象模式。此外，該疾病發生模型使用IoT技術與警告系統及自動噴灑系統連接，以在農場中施用來自該胜肽預測模型之所預測之胜肽。
該疾病發生模型使用包括過去之真菌疾病資料及氣象資料之資料集，基於使用softmax函數、模型代價函數(model cost function)及優化函數的CNN方法予以實施。再者，該疾病發生模型係與本文中進一步揭示之IoT系統連結。
本揭露之疾病控制系統係至少部分地基於氣象條件，該氣象條件係與真菌疾病發病率相關。於本揭露中，收集一段時間中由四種氣象條件表示之氣象資料，亦即，相對濕度、溫度、氣壓及降雨。在一具體實例中，係收集過去14天之氣象資料。在一具體實例中，係將基於所收集之氣象資料的總計11個特徵用於卷積神經網路(CNN)中，以計算該疾病發生之每日可能性。於另一具體實例中，除了CNN之外，亦計算孢子萌發率以提供對孢子萌發之準確時間的預測。該系統之元件，如用於收集資料之感測器以及基於所預測之發生時間而施用所預測之胜肽的噴灑器，係以IoT連結。
該疾病發生模型係包含兩種不同種類之資料，亦即，真菌疾病資料以及當真菌疾病出現時之氣象資料。該真菌疾病資料可從政府機關獲得，而該氣象資料可從中央氣象局收集。該資料之預處理包括將該真菌疾病資料與該氣象資料合併，且刪除沒有相對應氣象資料的真菌疾病資料。隨後，將此等資料標準化以進行機器訓練及測試。CNN係用以自動識別該氣象資料特徵之模式。藉由CNN識別並捕捉該真菌疾病喜好之氣象改變的模式。於本揭露之疾病發生模型中，CNN係用以鑑別適用於真菌疾病在特定時間發生之氣象改變。
該疾病發生模型除了包含該CNN之外，復包含最大蓄積層(max pooling layer)。資料歷經該等CNN層之後，該資料量極大地增加，而所加入的最大蓄積層幫助降低該模型之計算複雜性並幫助發現該資料之最佳趨勢。
該疾病發生模型復包含一全連結層(full connection layer)，該層係將最大蓄積輸出轉化至高維空間內，並歸為兩類，亦即，陰性(疾病未出現)及陽性(疾病已經出現)。
該疾病發生模型復包含softmax函數，以將來自CNN之輸出轉換為疾病發生之可能性。於轉換前之網路輸出可能難以被人類察覺。該softmax函數將該輸出轉換為機械及人類兩者皆可理解的疾病發生可能性。
此外，交叉熵(cross-entropy)係於訓練階段中用以評估所預測值與實測值間的差異。用以測試該疾病發生模型之獨立資料顯示，該模型之準確性為83%。
該疾病發生模型復包含預測孢子萌發率之孢子萌發建模，因此，對於疾病發生之預測係更有效且及時。該孢子萌發建模係包含擬合出基於濕度之孢子萌發率的線性方程式，以及基於溫度之孢子萌發率的三次方程式。藉由兩者相乘而獲得通用孢子萌發建模。實施孢子萌發實驗，以驗證該建模並測定係數。

實施例
於本揭露之下述說明中，引用了說明本揭露之原理及其如何實踐之例示性實例。其他被用來實踐本揭露的實例可改變其結構和功能而不悖離本揭露之範疇。

實施例 1. 胜 肽預測模型之構建
除了在當地資料庫收集之新的胜肽之外，從線上公開資料庫如CAMP、APD、PhytAMP獲得陽性(抗真菌)資料集，同時從蛋白質及胜肽之公開資料庫UniProt採集陰性(不具備抗真菌特性之胜肽)資料集，其中，他們係不具有相關之抗真菌或抗微生物特徵。
將所收集之資料集進行預處理，包括刪除含有非標準胺基酸之胜肽。隨後，因為典型抗真菌胜肽之長度界於10至100個胺基酸之間，將該資料集之胜肽的長度限制為界於10 AA至100 AA之間，並過濾該胜肽為一致性不超過25%。隨後，選擇等量之陰性資料與陽性資料。之後，隨機分佈該陽性資料集與該陰性資料集，並將該資料之三分之一用作獨立測試集。
第2圖係顯示所收集並使用之資料集的數量，總計共有375個陽性資料及375個陰性資料，且該資料集之三分之二係隨機選擇作為訓練資料，同時該資料集之三分之一係獨立之測試資料集。
簡而言之，對於該資料集中之每一個胜肽，計算其二肽頻率。隨後，以統計方法給出每一特定二肽之初始權重。將該二肽頻率矩陣乘以權重矩陣，計算出該胜肽之得分。所評估之胜肽得分愈高，則其具備抗真菌功能之可能性愈大。

二肽頻 率
因為共存在有20種胺基酸(AA)，將形成400種二肽頻率，每一胜肽將形成400 x 1之二肽頻率矩陣，如下式所示：
20AA × 20AA = 400二 肽
隨後，根據每一胜肽之序列，藉由該二肽頻率與權重之計分卡矩陣相乘，每一胜肽均獲得一得分。第3圖係例示性說明如何藉由計分卡計算胜肽得分。首先，將該20 × 20矩陣改造為400 × 1矩陣，隨後與該計分卡矩陣相乘。藉由下式獲得最終得分，其中，xi 係二肽頻率，且wi 係相對應之權重：

將所計算之該胜肽得分與閾值比較，以預測其作為抗真菌胜肽或非抗真菌胜肽之習性。

權重
於該胜肽之計分中所使用之初始權重包括先確定陽性資料集之二肽頻率P(ij)，以及陰性資料集之二肽頻率N(ij)，兩者皆藉由下述方程式計算，其中，nij 及Lp-1 係分別表示第ij個二肽出現之次數，以及所有胜肽的長度減1後之總和：

隨後，使用陽性資料之頻率(P(ij) )減去陰性資料之頻率(N(ij) )的計算式獲得每一權重(S(ij) )：
所獲得之個別權重歸一化至[0,1]，隨後乘以1000：
如此獲得含有一組二肽權重S’(ij) 之初始計分卡。
隨後，IGA係用以優化該初始計分卡。第4圖顯示執行IGA之流程圖。首先，該初始計分卡與另一隨機初始化計分卡合併，以作成第一群體。隨後，計算每一計分卡之適應度。若該計分卡達到結束條件，將返回訓練資料中具有最佳適應度之最終得分卡。為了獲得最佳之準確性並防止該模型過度訓練，該程式之結束條件為於30世代後終結。若仍未符合該結束條件，則將該計分卡切換至選擇步驟，以選擇多對計分卡進行交叉，製作新的後代計分卡。隨後，傳遞新的後代計分卡至突變步驟。突變之後，將該新的後代加入群體中，並將該群體根據其適應度排序。再者，排序超出最大群體(max_population)之計分卡將被移除。
適應度計算進一步揭示於本文中。首先，如下計算混淆矩陣：拆分為預測部分(prediction section)及標記部分(label section)並歸為四類，亦即，TP (真陽性)、FP (假陽性)、FN (假陰性)、及TN (真陰性)，如第5圖中所示。隨後，如下計算真陽性比(TPR)及假陽性比(FPR)：

隨後，取TPR作為y軸並取FPR作為x軸，繪製ROC曲線，如第6圖中所示。由於用以區分陽性資料與陰性資料之閾值不同，TP、FP、FN、及TN將不同。結果為每一閾值獲得不同的TPR及FPR，故使用各TPR及FPR繪製ROC曲線。為了估算權重之適應度，計算ROC曲線下面積(AUC)。該ROC曲線之AUC適用於具有不平衡資料集之模型，如本實施例中，非抗真菌胜肽遠多於抗真菌胜肽。
除了AUC數值外，初始計分卡與測試計分卡間之胺基酸的Pearson係數亦於適應度計算中被考慮。每一數值均給出不同之權重，而對於最佳訓練績效，AUC數值係0.9，且Pearson係數係0.1。模型中使用Pearson係數避免了過度訓練。
隨後，為了優化該初始計分卡，以進階交叉產生用於機械學習之變化。每一輪中，藉由選擇方法選擇兩個權重。從正常交叉優化至進階交叉之後，突變完成，並將新權重輸入該群體中。
詳言之，該選擇方法係從所有權重中挑選兩個權重，一者具有最高適應度的值，即最高AUC，其可能係最佳之權重；而另一權重係使用圓盤方法選擇。圓盤方法係藉由將該得分卡之每一權重根據其適應度比例而分配為不同面積。權重之適應度愈高，則該權重將獲得愈大之面積(第7圖)。隨後，隨機選擇一數字，並從該隨機數字之面積選擇得分卡。該圓盤方法係用以確保選擇之隨機性。因此，具有較高適應度之得分卡可能被選擇，但非絕對。
選擇母代之後，以IGA優化交叉步驟。IGA係基於正常基因演算法(GA)，其中，交叉選擇係最重要之選擇。選擇兩個母代之後，交叉步驟係選擇一對參數進行交換，隨後將經交換之得分卡返回新的群體中(第8圖)。隨後，刪除較低適應度之得分卡，以將該群體保持在一定範圍內。
為了選擇用於交叉步驟之最佳參數集，將下方所示之目標函數最大化，其中，x1 、x2 、x3 各自代表被評估之一對胜肽頻率：
每一個x1 、x2 、x3 選擇兩個備選者，正如交叉步驟中兩個母代一樣。為了最大化IGA函數，第一步為建立下述之OA陣列：
，
評估x1 之數值之關鍵係消除x2 及x3 之影響。第9圖係測定x1 之實例，其中可見，為了獲得對x1 之評估，組合1與組合2配對在一起，而組合3與組合4配對在一起。因為權重Sj2 之數值大於權重Sj1 之數值，x1 之較佳參數將為2而非1。藉由類似之方法選擇其他參數。如果參數之數量夠大，則其他參數之影響將受到限制。
於交叉之後，新的後代進行突變步驟。於該突變步驟中，該程式係選擇隨機數字以決定是否突變。如果結果為是，則隨機選擇該後代之對偶基因以及一個隨機數字。該突變步驟增加了該模型的隨機性。
於突變步驟之後，新的後代加入該群體，隨後，該程式將該群體中之所有計分卡根據其適應度值排序。將該群體排序之後，最後之程序為過濾掉排於該最大群體數字之外的計分卡。
該程式於30世代後終結，以避免過度訓練。當到達30世代之結束條件時，返回訓練資料中具有最佳適應度的最終得分卡。

實施例 2. 使用序列一致性為 25% 之抗真菌胜肽進行抗真菌胜肽預測
按照實施例1中揭示之步驟，第10圖顯示序列一致性為25%之抗真菌胜肽(AFP25)的最終ROC曲線及測試資料集結果。
測試準確性，亦即，將陽性資料歸為陽性且將陰性資料歸為陰性的整體績效係76%。敏感性，亦即，將陽性資料歸為陽性的績效係77%。特異性，亦即，將陰性資料歸為陰性的績效係76%。適當之閾值係354，並將得分高於此數值之胜肽視為抗真菌胜肽。
陽性資料集及陰性資料集之得分分佈係顯示於第11圖中，且該二肽得分之最終抗真菌計分卡係顯示於第12圖中。從每一個二肽得分計算之單個胺基酸得分係顯示於第13圖中。從得分結果可知，得分最高之三種胺基酸為半胱胺酸(C)、甘胺酸(G)、及離胺酸(K)，而得分最低之五種胺基酸係天冬胺酸(D)、麩胺酸(E)、絲胺酸(S)、蘇胺酸(T)、及纈胺酸(V)。多種用於植物及哺乳動物之抗真菌胜肽，如硫堇(thionin)、植物防禦素等，含有大量半胱胺酸。昆蟲之抗真菌胜肽中，亦存在多種富含甘胺酸之胜肽。
關於五種最低得分之胺基酸(D、E、S、T、V)，其中四種係親水者，而大多數親水性胺基酸係具有較高之分數(平均得分為362.73，大於閾值350)。此外，關於得分最高之五種胺基酸，半胱胺酸係含有可形成二硫鍵之硫化物官能基，而離胺酸(K)及精胺酸(R)係易形成氫鍵。

實施例 3. 識別來自所預測之抗真菌胜肽的活性位 (active site)
為了顯示計分卡之結果，在胜肽3D結構上以顏色深淺表示二肽得分，將該胜肽可視化。具有較高二肽得分之胜肽區域著色較深，具有較低二肽得分之胜肽區域以較淺之陰影表示。因此，抗真菌胜肽之重要區域得以藉由深色區得以鑑別。
第14圖顯示，根據預測模型計算二肽得分而著色之Rs-AFP2的3D結構，Rs-AFP2係來自植物防禦素家族之抗真菌胜肽，其中，該胜肽之N端及三個β褶板係該胜肽著色最深之部分。根據SCM之計分系統，表明這兩個區域係決定整個胜肽序列是否為抗真菌胜肽之區域。
第15圖係顯示Rs-AFP2胜肽之3D結構，將其根據Schaaper報導[3]之活性區域著色較深。根據此報導，主要活性位係界於β2環圈與β3環圈之間，從Ala31至Phe49，且某些活性亦見於該蛋白質之N端部分。
是以，可視於3D結構中以計分卡所預測的活性位與文獻中所報導者相互對應，表明該抗真菌預測模型之SCM確實具備正確地決定抗真菌活性位的能力。

實施例 4. 疾病發生之建模及預測
預測和每日氣象相關之疾病發生之模型係基於神經網路而構建。於該預測系統中存在兩種資料，亦即，從政府機關收集之疾病資料，以及來自中央氣象局網站之對應於該疾病資料的氣象資料。隨後，合併該兩種資料，並刪除沒有對應氣象資料的疾病資料。
隨後，最終資料含有氣象特徵及標記。該氣象特徵係具有14天×11個特徵的二維陣列。該11個特徵包括相對濕度、降雨、及溫度和氣壓的最大值、最小值和平均值。標記則包含有兩類：陰性(無疾病發生)及陽性(疾病發生)。模型中資料處理之流程圖顯示於第16圖中。
氣象條件影響孢子萌發及植物之健康。氣象條件與疾病發生間之關係由卷積神經網路(CNN)識別，以捕捉導致疾病發生之特定氣象模式。
第17圖顯示模型中所使用之CNN方法的概覽，其係含有卷積層、最大蓄積層及多個全連結層。該模型使用過去兩個禮拜之氣象資料作為該模型之輸入，並從這14天之氣象資料中識別氣象模式。於CNN層之後，將氣象特徵轉化為氣象改變特徵，隨後加入最大蓄積層，以過濾CNN層之後的雜訊。造成疾病之氣象模式短期內不會改變，因此，最大蓄積之函數僅返回過濾中之最大值。
舉例而言，如果該輸入陣列係[2,5,1,7,0,4]且該最大蓄積過濾大小為2，則當過濾步驟為1時，即過濾移動之距離，第一最大蓄積輸出為max(2,5) = 5，而第二輸出係max(5,1) = 5，以此類推。因為該最大蓄積輸出係二維張量，所以將該最大蓄積輸出降維至一維張量，再用於進一步之全連結層。
將該最大蓄積層降維之後，全連結層係用以將該最大蓄積結果歸類。該全連結層係基礎性神經網路層，可將該最大蓄積層輸出切換至高維空間內，隨後將他們歸為兩類，即陰性(無疾病發生)及陽性(疾病發生)。
惟，該網路輸出係人類難以理解及使用之數字，因此，柔性最大值(softmax)函數係用以將該數字轉換為疾病發生之可能性(第18圖)。softmax函數所使用之式如下：

上式中，σ 係softmax函數，z 係該網路之最終輸出，K 係輸出之總數，j 係第j個輸出。
之後，選擇交叉熵作為網路代價函數，原因為其在排除分類任務(exclusion classification mission)中成效良好。用於交叉熵之式如下：

上式中，H 係交叉熵函數，y'i 係真實標記，而yi 係網路預測輸出。
隨後，藉由Adam優化器優化該神經網路之參數，該優化器係優化該網路最常用的方法。
訓練之後，藉由獨立之測試資料測試該模型，結果係顯示於第19圖中，其中，準確性得分高達82.5%。

實施例 5. 孢子萌發率之建模及預測
除了使用實施例4中揭示之CNN方法進行每日之疾病發生預測之外，藉由包括計算孢子萌發率而做出時機更準確的預測，原因為孢子萌發必須出現在疾病發生之前。發現導致孢子萌發之條件，並藉由實驗證實。
室溫及溫度被發現對孢子萌發之影響最大。使用不同之真菌物種建立基於溫度或濕度的孢子萌發率通用模型，該模型亦適用於每一種真菌。
首先，使用於文獻中之孢子萌發資料以擬合方程式。結果為基於溫度之孢子萌發率係擬合為三次方程：f1 (x ) = ax 3 + bx 2 + cx + d，其中，x 為溫度。基於濕度之孢子萌發率擬合為線性方程：f2 (x ) = ax + b，其中，x 為濕度。因此，通用孢子萌發率為f1 (x ) × f2 (x )。
嗜熱毀絲黴菌基於溫度的孢子萌發率顯示於第20圖中，且所擬合之方程式為：
黑曲黴基於溫度的孢子萌發率顯示於第21圖中，且所擬合之方程式為：
稻熱病菌基於溫度的孢子萌發率顯示於第22圖中，且所擬合之方程式為：
樹生色二孢菌基於溫度的孢子萌發率顯示於第23圖中，且所擬合之方程式為：
因此，基於溫度之孢子萌發率係擬合為三次方程式：
對於基於濕度之孢子萌發率，黑曲黴基於相對濕度的孢子萌發率係顯示於第24圖中，且所擬合之方程式為：
假尾孢菌基於相對濕度的孢子萌發率係顯示於第25圖中，且所擬合之方程式為：
結果為基於相對濕度之孢子萌發率係線性方程式：
視兩個方程式為獨立事件，相乘以形成通用真菌孢子萌發模型：

因此，溫度及濕度條件係計算特定環境中孢子萌發率所僅需的因子。
隨後，進行實驗以確定該通用真菌孢子萌發模型之係數並驗證該模型。該實驗分為兩個部分，如第26圖所示。首先，在溫度固定及改變濕度條件下測試，使用經過濾之蒸餾水從真菌培養皿中移出孢子而作成的孢子懸浮液(2 × 105 顆粒/mL)，與等體積之2%葡萄糖溶液混合於放置在控溫控濕箱中之凹面載玻片中。溫度固定於攝氏25度，測試的濕度為80%至100%間以5%遞增。隨後，在濕度固定及改變溫度下測試，使用經過濾之蒸餾水從真菌培養皿中移出孢子而作成的孢子懸浮液(2 × 105 顆粒/mL)，與等體積之2%葡萄糖溶液混合於放置在控溫控濕箱中之凹面載玻片中。濕度固定為100%，所測試之溫度範圍為10至30攝氏度，以攝氏5度遞增。
第27圖顯示，於攝氏10度及100%相對濕度下放置9小時後未萌發之孢子。第28圖顯示，於攝氏25度及100%相對濕度下放置9小時後萌發之孢子。第29圖顯示，在100%之固定相對濕度以及界於攝氏10至30度之溫度範圍內各放置9小時後，灰黴菌孢子萌發率的表格，而第30圖顯示基於該等萌發率結果所繪製的曲線。
因此，灰黴菌基於溫度的孢子萌發率為：
第31圖顯示，在攝氏20度之固定溫度及界於70%至100%間之相對濕度範圍內，灰黴菌的孢子萌發率。以線性平移將100%相對濕度下之孢子萌發率作為100%。
因此，灰黴菌基於相對濕度的孢子萌發率為：
將上述所得方程式的結果與實際孢子萌發值比較，以驗證溫度及相對濕度對於孢子萌發來說為獨立事件。條件為隨機選擇為攝氏23度及攝氏13度之溫度，以及97%及80%之相對濕度。
第32圖顯示獨立事件確認結果的總結。於攝氏23度及相對濕度97% (9小時)之條件下，實驗所得之孢子萌發率為92.45%，根據吾等之方程式計算所得之孢子萌發率為86.84% (第33圖)。於攝氏13度及相對濕度80% (9小時)之條件下，實驗所得之孢子萌發率係5.41%，根據吾等之方程式計算所得之孢子萌發率係6.84% (第34圖)。
因此，該孢子萌發模型之最終式為：

於上式中，x 1 為溫度，且x 2 為相對濕度。根據上述實驗結果，證實該溫度及相對濕度為獨立之事件，且該方程式對於該模型頗為精確。

實施例 6. 疾病發生預測模型於 IoT 中之應用
氣象條件之感測器如彼等檢測溫度及濕度者，係以IoT連接，並將該等數值轉移至該預測模型之處理器。計算每天疾病發生的可能性。如果計算的可能性超出某一可由使用者設定之數值，該使用者即被通知該疾病可能發生，並被建議噴灑所預測之抗真菌胜肽。允許該使用者決定是否進行自動噴灑。第35圖顯示該IoT應用之主要架構。
儘管本揭露之一些實例業經詳細揭示於上，惟，所屬技術領域中具有通常知識者可能對特定實例做出各種修飾及改變而基本上不悖離本揭露之教示及優點。此等修飾及改變係由隨附申請專利範圍中所闡述之本揭露的精神及範疇所涵蓋。
下列於本申請書中引用之參考文獻藉由引用各自獨立併入本文。
參考文獻
[1] Huang, H.-L., Charoenkwan, P., Kao, T.-F., Lee, H.-C., Chang, F.-L., Huang, W.-L., Ho, S.-Y., Shu, L.-S., Chen, W.-L., and Ho, S.-Y. "Prediction and analysis of protein solubility using a novel scoring card method with dipeptide composition." BMC Bioinformatics, 13 (Suppl. 17), S3 (2012)。
[2] Shinn-Ying Ho, Li-Sun Shu and Jian-Hung Chen, "Intelligent evolutionary algorithms for large parameter optimization problems," in IEEE Transactions on Evolutionary Computation, Vol. 8, No. 6, pp. 522-541, Dec. 2004. doi: 10.1109/TEVC.2004.835176。
[3] W.M.M. Schaaper, G.A. Posthuma, R.H. Meloen, H.H. Plasman, L. Sijtsma, A. Van Amerongen, F. Fant, F.A.M. Borremans, K. Thevissen, and W.F. Broekaert, "Synthetic peptides derived from the β2−β3 loop of Raphanus sativus antifungal protein 2 that mimic the active site." Chemical Biology & Drug Design, Vol. 57, Issue 5, pp. 409-418 (2002)。
無
第1圖係將胜肽顯示為由二肽形成的群組的例示圖。
第2圖顯示於胜肽預測模型中採集並使用之資料集的數目。
第3圖係說明以計分卡計算胜肽得分的過程。
第4圖顯示執行IGA之流程圖。
第5圖顯示混淆矩陣中用於適應度計算使用的四個類別。
第6圖顯示用於適應度計算的ROC曲線，其係以TPR作為y軸且使用FPR作為x軸而繪製。
第7圖顯示於圓盤法中，基於每一計分卡之權重，依其適應度之比例將該計分卡分配為不同面積的圖式。
第8圖顯示IGA中交叉之步驟。
第9圖顯示如何測定用於交叉之參數。
第10圖顯示最終ROC曲線及測試資料集之結果，根據抗真菌胜肽預測，該抗真菌胜肽具有25%之序列一致性。
第11圖顯示陽性資料集及陰性資料集之得分分佈，根據抗真菌胜肽預測，該抗真菌胜肽係具有25%之序列一致性。
第12圖顯示該二肽得分之最終抗真菌計分卡。
第13圖顯示從各二肽得分計算之單胺基酸得分的柱狀圖。
第14圖顯示，根據藉由預測模型計算之二肽得分，以陰影表示之Rs-AFP2的3D結構。
第15圖顯示Rs-AFP2胜肽之3D結構，其活性區域係根據文獻報導而以較暗之陰影表示。
第16圖顯示於疾病預測模型中使用之資料處理的流程圖。
第17圖顯示於疾病預測模型中使用之CNN方法之概覽，其中，其係含有卷積層、最大蓄積層及多個全連結層。
第18圖顯示用以改善疾病預測模型之準確性之流程圖。
第19圖顯示疾病預測模型之獨立測試資料之結果。
第20圖顯示基於溫度之嗜熱毀絲黴菌孢子萌發率。
第21圖顯示基於溫度之黑曲黴孢子萌發率。
第22圖顯示基於溫度之稻熱病菌孢子萌發率。
第23圖顯示基於相對濕度之樹生色二孢菌孢子萌發率。
第24圖顯示基於相對濕度之黑曲黴孢子萌發率。
第25圖顯示基於相對濕度之假尾孢菌孢子萌發率。
第26圖顯示用以測定通用真菌孢子萌發模型之係數並驗證該模型之實驗設計。
第27圖顯示於攝氏10度及100%相對濕度下放置9小時而無孢子萌發的照片。
第28圖顯示於攝氏25度及100%相對濕度下放置9小時所萌發之孢子的照片。
第29圖顯示於100%固定相對濕度及界於攝氏10至30度的溫度範圍9小時之灰黴菌之孢子萌發率的表。
第30圖顯示於100%固定相對濕度及界於攝氏10至30度的溫度範圍9小時之灰黴菌之孢子萌發率的圖式。
第31圖顯示於固定溫度攝氏20度及界於70%與100%範圍之間的相對濕度下，灰黴菌之孢子萌發率。
第32圖顯示通用孢子萌發模型獨立事件之確認結果的總結。
第33圖顯示於攝氏23度及濕度97%的條件下9小時，孢子萌發實驗之照片。
第34圖顯示於攝氏13度及濕度80%的條件下9小時，孢子萌發實驗之照片。
第35圖顯示疾病發生預測模型之IoT應用的主要架構。

Claims (20)

  1. 一種用於疾病控制之系統，該系統包含： 複數個配置成偵測環境資訊之感測器；以及 配置成藉由下述建立疾病預測模型之處理器： 收集疾病資料及氣象資料； 合併該疾病資料與該氣象資料以形成組合資料； 藉由機器訓練及測試程序處理該組合資料；以及 鑑別複數個疾病發生之模式； 其中，該疾病預測模型係配置成根據該環境資訊及該模式計算疾病發生之可能性。
  2. 如申請專利範圍第1項所述之系統，其中，該氣象資料包括觀測時間、壓力、溫度、露點溫度、相對濕度、風速、風向、降雨、日照時長、能見度、紫外線指數、及雲量之至少一者。
  3. 如申請專利範圍第1項所述之系統，其中，該疾病資料包括表明該疾病發生之陽性標記及陰性標記。
  4. 如申請專利範圍第1項所述之系統，其中，該處理器係配置成從該疾病資料及該氣象資料抽取特徵進一步建立該疾病預測模型，其中，該特徵為了該機器訓練及該測試程序而藉由該處理器進行處理。
  5. 如申請專利範圍第1項所述之系統，其中，該機器訓練及該測試程序與卷積神經網路(CNN)相關。
  6. 如申請專利範圍第1項所述之系統，其中，該處理器係配置為藉由下述進一步建立該疾病預測模型：將該模式歸類為代表疾病並未發生之陰性輸出或代表疾病發生之陽性輸出。
  7. 如申請專利範圍第6項所述之系統，其中，該疾病預測模型係配置成根據該陽性輸出而發出警告。
  8. 如申請專利範圍第1項所述之系統，其中，該感測器係配置成透過物聯網(IoT)技術將該環境資訊傳送至該疾病預測模型。
  9. 如申請專利範圍第1項所述之系統，其中，該環境資訊係包括一段時間內之相對濕度、溫度、降雨、及壓力中之至少一者。
  10. 如申請專利範圍第9項所述之系統，其中，該處理器係進一步配置為建立預測孢子萌發率之孢子萌發模型。
  11. 如申請專利範圍第10項所述之系統，其中，該孢子萌發率係基於相對濕度及溫度。
  12. 如申請專利範圍第11項所述之系統，其中，該相對濕度與該溫度為獨立事件。
  13. 如申請專利範圍第12項所述之系統，其中，該孢子萌發率由下式表示： ， 其中，x1 為溫度，x2 為相對濕度。
  14. 如申請專利範圍第10項所述之系統，其中，該處理器配置成透過該疾病預測模型及該孢子萌發模型提供疾病發生之時間。
  15. 如申請專利範圍第10項所述之系統，其中，該疾病預測模型或該孢子萌發模型係配置成透過物聯網(IoT)技術將該疾病發生之可能性或該疾病發生之時間傳送至噴灑系統。
  16. 如申請專利範圍第1項所述之系統，其中，該處理器進一步包括胜肽預測模型，其配置成透過計分卡方法(SCM)預測具有抗真菌功能之胜肽。
  17. 如申請專利範圍第16項所述之系統，其中，該胜肽預測模型係進一步配置成包含檢索系統，該檢索系統包含宿主、病原體及相應胜肽間之關係。
  18. 如申請專利範圍第16項所述之系統，其中，該胜肽預測模型藉由確定構成該胜肽之二肽習性而計算胜肽得分。
  19. 如申請專利範圍第16項所述之系統，其中，該胜肽預測模型藉由分析該胜肽之序列而計算胜肽得分。
  20. 如申請專利範圍第16項所述之系統，其與噴灑系統連結，該噴灑系統配置成基於該疾病發生之可能性而將該具有抗真菌功能之胜肽噴灑至一區域內。
TW107138259A 2017-10-27 2018-10-29 用於疾病預測及控制之方法及系統 TWI704513B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201762577764P 2017-10-27 2017-10-27
US62/577,764 2017-10-27

Publications (2)

Publication Number Publication Date
TW201931277A true TW201931277A (zh) 2019-08-01
TWI704513B TWI704513B (zh) 2020-09-11

Family

ID=65955252

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107138259A TWI704513B (zh) 2017-10-27 2018-10-29 用於疾病預測及控制之方法及系統

Country Status (4)

Country Link
US (1) US20210183513A1 (zh)
JP (1) JP2021509212A (zh)
TW (1) TWI704513B (zh)
WO (1) WO2019083351A2 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724710B (zh) * 2019-08-16 2021-04-11 財團法人工業技術研究院 建構數位化疾病模組的方法及裝置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2019389302A1 (en) * 2018-11-29 2021-07-22 Dennis Mark GERMISHUYS Plant cultivation
US11591634B1 (en) * 2019-04-03 2023-02-28 The Trustees Of Boston College Forecasting bacterial survival-success and adaptive evolution through multiomics stress-response mapping and machine learning
CN110187074B (zh) * 2019-06-12 2021-07-20 哈尔滨工业大学 一种越野滑雪赛道雪质预测方法
CN112633370B (zh) * 2020-12-22 2022-01-14 中国医学科学院北京协和医院 一种针对丝状真菌形态的检测方法、装置、设备及介质
WO2022200484A1 (en) * 2021-03-26 2022-09-29 Basf Se Predicting damage caused by fungal infection relating to crop plants of a particular species
TWI831034B (zh) * 2021-07-30 2024-02-01 國立中興大學 稻熱病預警系統及方法
JP2023094673A (ja) * 2021-12-24 2023-07-06 東洋製罐グループホールディングス株式会社 情報処理装置、推論装置、機械学習装置、情報処理方法、推論方法、及び、機械学習方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4202328B2 (ja) * 2005-01-11 2008-12-24 農工大ティー・エル・オー株式会社 作業決定支援装置および方法、並びに記録媒体
TWI323157B (en) * 2006-05-05 2010-04-11 Tung Hai Biotechnology Corp Method for enhancing the growth of crops, plants, or seeds, and soil renovation
JP6237210B2 (ja) * 2013-12-20 2017-11-29 大日本印刷株式会社 病害虫発生推定装置及びプログラム
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
WO2017205957A1 (en) * 2016-06-01 2017-12-07 9087-4405 Quebec Inc. Remote access system and method for plant pathogen management
US9563852B1 (en) * 2016-06-21 2017-02-07 Iteris, Inc. Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI724710B (zh) * 2019-08-16 2021-04-11 財團法人工業技術研究院 建構數位化疾病模組的方法及裝置

Also Published As

Publication number Publication date
US20210183513A1 (en) 2021-06-17
JP2021509212A (ja) 2021-03-18
WO2019083351A2 (en) 2019-05-02
TWI704513B (zh) 2020-09-11
WO2019083351A3 (en) 2019-08-15

Similar Documents

Publication Publication Date Title
TWI704513B (zh) 用於疾病預測及控制之方法及系統
Thapa et al. The Plant Pathology Challenge 2020 data set to classify foliar disease of apples
Verma et al. Prediction models for identification and diagnosis of tomato plant diseases
Bandi et al. Performance evaluation of various statistical classifiers in detecting the diseased citrus leaves
Ahmed et al. Plant disease detection using machine learning approaches
de Souza et al. Artificial neural network modelling in the prediction of bananas’ harvest
Ramos-Giraldo et al. Drought stress detection using low-cost computer vision systems and machine learning techniques
Ni et al. Three-dimensional photogrammetry with deep learning instance segmentation to extract berry fruit harvestability traits
Mishra et al. Automation and integration of growth monitoring in plants (with disease prediction) and crop prediction
Weis et al. Detection and identification of weeds
Mahmud et al. Lychee tree disease classification and prediction using transfer learning
Vignesh et al. EnC-SVMWEL: Ensemble Approach using CNN and SVM Weighted Average Ensemble Learning for Sugarcane Leaf Disease Detection
Mishra et al. A robust pest identification system using morphological analysis in neural networks
Aversano et al. Water stress classification using Convolutional Deep Neural Networks.
Bazinas et al. Yield estimation in vineyards using intervals’ numbers techniques
Harsha et al. Comparative Analysis of Smart Pesticide Recommendation System sing ML/AI
Gupta et al. Multiclass weed identification using semantic segmentation: An automated approach for precision agriculture
Sudhir et al. Plant Disease Severity Detection and Fertilizer Recommendation using Deep Learning Techniques
Kumar et al. Plant leaf diseases severity estimation using fine-tuned CNN models
Vignesh et al. Identification of Unhealthy Leaves in Paddy by using Computer Vision based Deep Learning Model
Dhande et al. Empirical study of crop-disease detection and crop-yield analysis systems: a statistical view
Pillai et al. Classification of Plant Diseases using DenseNet 121 Transfer Learning Model
Imanudin et al. Implementation of the Naïve Bayes Algorithm in Pest Prediction Systems
Banerjee et al. An Ensemble Approach of CNN and SVM for Precise Classification of Sweet Corn Leaf Diseases
Banerjee et al. Lotus Disease Diagnosis Using Combined CNN and SVM with Max Pooling and Convolutional Layers