Интеллектуальный мониторинг состояния ванной комнаты: пример классификации изображений унитаза.
Как компания Shaip разработала структурированный конвейер аннотирования медицинских изображений, позволяющий классифицировать 10 000 изображений унитазов за один раз с использованием 5 основных классов событий, клинической оценки по Бристольской шкале стула и более 20 атрибутивных тегов — что обеспечивает работу неинвазивного цифрового мониторинга здоровья с помощью ИИ.
Обзор проекта
По мере внедрения неинвазивных цифровых систем мониторинга здоровья в «умные» ванные комнаты, клиенту потребовался клинически обоснованный конвейер аннотирования, способный классифицировать большие объемы изображений с телецентрических камер на основе структурированного дерева решений с детализацией на уровне атрибутов.
Компания Shaip разработала комплексный конвейер аннотирования, охватывающий оценку удобства использования изображений, классификацию основных событий, оценку по Бристольской шкале стула, присвоение атрибутивных меток и передачу данных в цикл контроля качества — в результате чего были созданы клинически применимые наборы данных для искусственного интеллекта, используемого в мониторинге здоровья желудочно-кишечного тракта.
Ключевой статус
Изображения за партию
10,000
Цикл доставки
14 дней
Основные классы событий
5
Бристольский масштабный диапазон
1-7
Задачи
- Строительство клинически обоснованная схема классификации охватывает 5 основных классов событий, а также более 20 атрибутивных тегов.
- Работа на строгий 14-дневный цикл обработки партий с доставкой 10 000 изображений за цикл.
- Применение Бристольская шкала оценки стула (1–7 баллов) стабильно во всех случаях дефекации
- Управляемость монохроматический, с препятствиями и артефактами визуализация с приоритетом удобства использования
- координирующий передача информации клиенту по контролю качества с четко определенными этапами на 7-й и 14-й дни.
Решение
Классификация дерева решений
Шаип разработал структурированный алгоритм принятия решений в виде дерева решений, охватывающий пять основных классов событий — «Опустошение», «Моча», «Стул», «Смыв» и «Туалетное мыло» — с комбинируемыми тегами для составных событий (например, смыв в сочетании со стулом). Тег «Неясное событие» обрабатывал неоднозначные случаи, сохраняя при этом идентифицируемые комбинации событий.
Оценка по Бристольской клинической шкале
Для всех случаев стула аннотаторы присваивали оценку по Бристольской шкале стула от 1 до 7, при этом для сложных случаев были доступны флаги «Неясно» или «Смешанный». Этот клинический уровень оценки позволил напрямую использовать набор данных для обучения ИИ в области мониторинга здоровья желудочно-кишечного тракта.
Расширенная атрибутная разметка
Помимо основной классификации, каждому изображению были присвоены атрибутивные метки, охватывающие видимость струи мочи, наличие туалетной бумаги, обнаружение крови (включая предполагаемую кровь, сгустки крови и крошки крови), следы коррозии, загрязнение камеры, препятствия на изображении, артефакты вспышки, нецентрированное кадрирование, низкий уровень шума, плавающий контент и протечки унитаза. Монохромные изображения в оранжевых или фиолетово-синих тонах получили дополнительные цветовые метки.
Оценка удобства использования изображений
Каждое изображение сначала оценивалось на предмет удобства использования и релевантности. Пикселизированные, переэкспонированные, зеленые, серые, нетелецентрические или не относящиеся к теме изображения помечались как игнорируемые. Этот уровень сортировки предотвращал попадание некачественных входных данных в размеченный набор данных, защищая качество обучения модели на последующих этапах.
Двухнедельный цикл обработки партии и передача результатов контроля качества.
Компания Shaip работала в строгом двухнедельном цикле обработки партий с четко определенными этапами. После завершения разметки Shaip, внутренняя команда контроля качества клиента проверяла половину партии к 7-му дню, а всю партию — к 14-му дню. Отклоненные изображения помечались и возвращались на исправление, обеспечивая непрерывное улучшение качества во всех партиях.
Объем проекта
| Тип набора данных | Объем на партию | Классы событий | Клиническая оценка | Теги атрибутов | Цикл |
|---|---|---|---|---|---|
| Классификация изображений умного туалета | 10,000 изображений | 5 основных + комбинации | Бристольская шкала стула 1–7 | 20+ тегов | 14 дней |
Результаты
- Создал конвейер аннотирования, основанный на клинических данных для неинвазивного цифрового мониторинга здоровья с использованием ИИ
- Стандартизированный 5-классовая классификация основных событий с комбинируемой логикой тегов
- Сдан Бристольская шкала оценки стула (1–7 баллов) по каждому событию, связанному с стулом
- Построенный Более 20 атрибутивных тегов охватывая клинические состояния, качество изображения и визуальные артефакты.
- Поддерживается строгие 14-дневные циклы обработки партий с структурированной передачей контроля качества клиенту.
В целом, компания Shaip помогла преобразовать задачу классификации большого объема медицинских изображений в клинически структурированный, готовый к внедрению конвейер аннотирования, способный поддерживать неинвазивный цифровой мониторинг здоровья, искусственный интеллект в области гастроэнтерологии и приложения для принятия клинических решений на дому в масштабе всего предприятия.
Компания Shaip понимала, что это не просто рутинная разметка изображений — это клиническая аннотация. Их подход, основанный на методе Bristol Scale, строгий контроль за атрибутивной разметкой и дисциплинированный пакетный цикл, позволили нам получить обучающие данные, которые мы могли с уверенностью использовать при развертывании модели.
