Inteligentny monitoring stanu łazienki: Studium przypadku klasyfikacji obrazu muszli klozetowej
W jaki sposób Shaip dostarczył ustrukturyzowany proces adnotacji obrazów medycznych klasyfikujący 10 000 obrazów muszli klozetowych na partię z 5 podstawowymi klasami zdarzeń, oceną kliniczną Bristol Stool Scale i ponad 20 tagami atrybutów — stanowiący podstawę nieinwazyjnego, cyfrowego monitorowania zdrowia za pomocą sztucznej inteligencji.
Przegląd projektu
Wraz z pojawieniem się nieinwazyjnego, cyfrowego monitoringu zdrowia w inteligentnych łazienkach klientowi potrzebny był klinicznie uzasadniony proces adnotacji, który umożliwiałby klasyfikowanie dużych ilości obrazów z kamer telecentrycznych w oparciu o ustrukturyzowane drzewo decyzyjne o szczegółowości na poziomie atrybutów.
Shaip zbudował kompleksowy proces adnotacji obejmujący ocenę użyteczności obrazów, klasyfikację zdarzeń podstawowych, punktację w skali Bristol Stool Scale, tagowanie atrybutów i przekazywanie kontroli jakości w cyklu wsadowym — generując klinicznie przydatne zbiory danych do monitorowania zdrowia układu pokarmowego za pomocą sztucznej inteligencji.
Status klucza
Obrazy na partię
10,000
Cykl dostawy
14 dni
Klasy zdarzeń podstawowych
5
Zakres skali Bristol
1-7
Wyzwania
- Budować klinicznie uzasadniony schemat klasyfikacji obejmujący 5 podstawowych klas zdarzeń i ponad 20 tagów atrybutów
- Działający na a ścisły 14-dniowy cykl wsadowy z 10 000 obrazów dostarczanych na cykl
- Stosowanie Skala Bristolska Stool Scale punktacja 1–7 konsekwentnie we wszystkich zdarzeniach stolca
- Prowadzenie monochromatyczne, przesłonięte i dotknięte artefaktami obrazy z priorytetem użyteczności
- Koordynowanie przekazanie kontroli jakości klienta ze strukturalnymi kamieniami milowymi na 7. i 14. dzień
Rozwiązanie
Klasyfikacja drzewa decyzyjnego
Shaip zaprojektował ustrukturyzowany proces roboczy oparty na drzewie decyzyjnym, obejmujący pięć podstawowych klas zdarzeń – Opróżnienie, Mocz, Kał, Spuszczanie w toalecie i Mydło toaletowe – z tagami łączonymi dla zdarzeń złożonych (np. spłukiwanie w połączeniu ze stolcem). Tag „Zdarzenie niejasne” obsługiwał przypadki niejednoznaczne, zachowując jednocześnie identyfikowalne kombinacje zdarzeń.
Punktacja według skali Bristolskiej
Dla wszystkich przypadków stolca adnotatorzy przypisywali wynik w skali Bristol Stool Scale od 1 do 7, z flagami „Niejasny” lub „Mieszany” dostępnymi w trudnych przypadkach. Ta kliniczna warstwa punktacji umożliwiła bezpośrednie zastosowanie zbioru danych w szkoleniu sztucznej inteligencji monitorującej stan zdrowia przewodu pokarmowego.
Tagowanie bogatych atrybutów
Poza klasyfikacją podstawową, każdy obraz otrzymał tagi atrybutów obejmujące widoczność strumienia moczu, obecność papieru toaletowego, wykrycie krwi (w tym podejrzenie krwi, skrzepów krwi i okruchów krwi), ślady korozji, zabrudzenia aparatu, przesłonięcie obrazu, artefakty spowodowane błyskiem lampy błyskowej, niecentrowanie kadru, niską głośność, pływającą zawartość i przecieki z toalety. Monochromatyczne obrazy w odcieniach pomarańczowym lub fioletowo-niebieskim otrzymały dodatkowe flagi kolorowe.
Triage użyteczności obrazu
Każdy obraz został najpierw oceniony pod kątem użyteczności i trafności. Obrazy pikselowate, prześwietlone, zielone, szare, nietelecentryczne lub niezgodne z tematem zostały oznaczone jako ignorowane. Ta warstwa selekcji zapobiegała przedostawaniu się nieautoryzowanych danych wejściowych do oznaczonego zbioru danych, chroniąc jakość szkolenia modelu w dalszej części procesu.
Dwutygodniowy cykl wsadowy i przekazanie kontroli jakości
Firma Shaip działała w oparciu o ścisły, dwutygodniowy cykl wsadowy z jasno określonymi kamieniami milowymi. Po zakończeniu tagowania, wewnętrzny zespół ds. zapewnienia jakości klienta dokonał przeglądu połowy wsadu do 7. dnia, a całej partii do 14. dnia. Odrzucone obrazy zostały oznaczone i zwrócone do korekty, co zapewniło ciągłą poprawę jakości we wszystkich wsadach.
Zakres projektu
| Typ zbioru danych | Objętość na partię | Klasy wydarzeń | Punktacja kliniczna | Tagi atrybutów | Cykl |
|---|---|---|---|---|---|
| Inteligentna klasyfikacja obrazów toalet | Obrazy 10,000 | 5 podstawowych + kombinacji | Bristolska skala stolca 1–7 | 20+ tagów | 14 dni |
Wyniki
- Założona klinicznie uzasadniony kanał adnotacji do nieinwazyjnego cyfrowego monitorowania zdrowia AI
- znormalizowane Klasyfikacja zdarzeń podstawowych 5-klasy z łączoną logiką tagów
- Dostarczany Skala Bristolska Stool Scale punktacja 1–7 na każdym wydarzeniu stołkowym
- Wybudowany Ponad 20 tagów atrybutów obejmujące warunki kliniczne, jakość obrazu i artefakty wizualne
- Utrzymany ścisłe 14-dniowe cykle wsadowe ze strukturalnym przekazaniem kontroli jakości klienta
Ogólnie rzecz biorąc, Shaip pomógł przekształcić wymóg klasyfikacji dużej liczby obrazów medycznych w klinicznie ustrukturyzowany, gotowy do produkcji proces adnotacji — taki, który jest w stanie obsługiwać na dużą skalę nieinwazyjne cyfrowe monitorowanie zdrowia, sztuczną inteligencję układu pokarmowego i aplikacje wspomagające podejmowanie decyzji klinicznych w domu.
Shaip zrozumiał, że to nie jest rutynowe tagowanie obrazów, lecz adnotacja kliniczna. Ich wdrożenie skali Bristolskiej, rygorystyczne podejście do tagowania atrybutów i dyscyplina cyklu wsadowego dały nam dane treningowe, które mogliśmy śmiało wykorzystać we wdrożeniu modelu.
