Akıllı Banyo Sağlık İzleme: Klozet Görüntüsü Sınıflandırması Örnek Çalışması
Shaip, 5 temel olay sınıfı, Bristol Dışkı Ölçeği klinik puanlaması ve 20'den fazla özellik etiketi kullanarak her partide 10,000 tuvalet görüntüsünü sınıflandıran yapılandırılmış bir tıbbi görüntü açıklama hattını nasıl hayata geçirdi ve bu sayede invaziv olmayan dijital sağlık izleme yapay zekasını nasıl destekledi?
Projeye Genel Bakış
İnvaziv olmayan dijital sağlık izleme yöntemleri akıllı banyo uygulamalarına girerken, müşteri, yüksek hacimli telemerkezli kamera görüntülerini, özellik düzeyinde ayrıntılandırma özelliğine sahip yapılandırılmış bir karar ağacına göre sınıflandırabilen, klinik temelli bir açıklama işlem hattına ihtiyaç duydu.
Shaip, görüntü kullanılabilirlik değerlendirmesi, birincil olay sınıflandırması, Bristol Dışkı Ölçeği puanlaması, özellik etiketleme ve toplu döngü kalite güvence teslimini kapsayan uçtan uca açıklama işlem hattını oluşturarak, gastrointestinal sağlık izleme yapay zekası için klinik olarak uygulanabilir veri kümeleri üretti.
Anahtar Durumu
Parti başına görüntü sayısı
10,000
Teslimat Döngüsü
14 gün
Birincil Etkinlik Sınıfları
5
Bristol Ölçek Aralığı
1-7
Meydan Okumalar
- Bina bir klinik temelli sınıflandırma şeması 5 temel olay sınıfı ve 20'den fazla özellik etiketini kapsayan
- üzerinde çalışan Sıkı 14 günlük parti döngüsü döngü başına 10,000 görüntü teslim ediliyor.
- Uygulanması Bristol Dışkı Ölçeği 1-7 puanlama tüm dışkılama olaylarında tutarlı bir şekilde
- kullanma tek renkli, engellenmiş ve yapay etkilerden etkilenmiş Kullanılabilirlik öncelikli triyaj ile görselleştirme
- koordine müşteri QA devri 7. ve 14. gün için yapılandırılmış dönüm noktalarıyla
Çözüm
Karar Ağacı Sınıflandırması
Shaip, beş temel olay sınıfını (Boşaltma, İdrar, Dışkı, Sifon Çekme ve Tuvalet Sabunu) kapsayan, bileşik olaylar için (örneğin, sifon çekme ile dışkı çekme kombinasyonu) birleştirilebilir etiketler içeren yapılandırılmış bir karar ağacı iş akışı tasarladı. Belirsiz Olay etiketi, tanımlanabilir olay kombinasyonlarını korurken belirsiz durumları ele aldı.
Klinik Bristol Ölçeği Puanlaması
Tüm dışkılama olayları için, veri toplayıcılar 1 ile 7 arasında bir Bristol Dışkı Ölçeği puanı atadı; zor vakalar için ise Belirsiz veya Karışık işaretleri kullanıldı. Bu klinik puanlama katmanı, veri setini gastrointestinal sağlık izleme yapay zeka eğitimine doğrudan uygulanabilir hale getirdi.
Zengin Nitelik Etiketleme
Birincil sınıflandırmanın ötesinde, her görüntüye idrar akışının görünürlüğü, tuvalet kağıdı varlığı, kan tespiti (şüpheli kan, kan pıhtıları ve kan kırıntıları dahil), korozyon izleri, kamera kiri, görüntü engellemesi, flaş artefaktları, merkezden uzak çerçeveleme, düşük hacim, yüzen içerik ve tuvalet sızıntıları gibi özellikleri kapsayan etiket nitelikleri eklendi. Turuncu veya mor-mavi tonlarındaki tek renkli görüntülere ek renk işaretleri de verildi.
Görüntü Kullanılabilirliği Önceliklendirmesi
Her görüntü öncelikle kullanılabilirlik ve alaka düzeyi açısından değerlendirildi. Pikselli, aşırı pozlanmış, yeşil, gri, telemerkezli olmayan veya konu dışı görüntüler göz ardı edilecek şekilde işaretlendi. Bu eleme katmanı, bozuk girdilerin etiketli veri kümesine girmesini engelleyerek, model eğitiminin kalitesini korudu.
İki Haftalık Parti Döngüsü ve Kalite Kontrol Devri
Shaip, net bir şekilde tanımlanmış kilometre taşlarıyla, iki haftalık sıkı bir parti döngüsüyle çalıştı. Shaip etiketlemeyi tamamladıktan sonra, müşterinin dahili kalite güvence ekibi partinin yarısını 7. günde, tamamını ise 14. günde inceledi. Reddedilen görüntüler işaretlenerek düzeltme için geri gönderildi ve böylece partiler genelinde sürekli kalite iyileştirmesi sağlandı.
Proje kapsamı
| Veri Kümesi Türü | Parti başına hacim | Etkinlik Sınıfları | Klinik Puanlama | Nitelik Etiketleri | devir |
|---|---|---|---|---|---|
| Akıllı tuvalet görsel sınıflandırması | 10,000 görüntüleri | 5 temel + kombinasyonlar | Bristol Dışkı Ölçeği 1–7 | 20+ etiket | 14 gün |
Çıktıları
- Kurulmuş bir klinik temelli açıklama işlem hattı invaziv olmayan dijital sağlık izleme için yapay zeka
- Standardize 5 sınıflı birincil olay sınıflandırması birleştirilebilir etiket mantığı ile
- teslim Bristol Dışkı Ölçeği 1-7 puanlama her tabure etkinliğinde
- Yapılı 20'den fazla özellik etiketi klinik durumları, görüntü kalitesini ve görsel kusurları kapsayan
- muhafaza sıkı 14 günlük parti döngüleri yapılandırılmış müşteri kalite güvence devri ile
Genel olarak, Shaip, yüksek hacimli tıbbi görüntü sınıflandırma gereksinimini, klinik olarak yapılandırılmış, üretime hazır bir açıklama hattına dönüştürmeye yardımcı oldu; bu hat, invaziv olmayan dijital sağlık izleme, gastrointestinal yapay zeka ve evde klinik karar destek uygulamalarını büyük ölçekte destekleyebiliyor.
Shaip bunun rutin bir görüntü etiketleme değil, klinik bir açıklama olduğunu anladı. Bristol Ölçeği uygulamaları, özellik etiketi titizliği ve toplu işlem döngüsü disiplini, model dağıtımına güvenle dahil edebileceğimiz eğitim verileri sağladı.
