Surveillance intelligente de la santé dans la salle de bain : étude de cas de classification d’images de cuvettes de toilettes
Comment Shaip a mis en place un pipeline d'annotation d'images médicales structurées classant 10 000 images de cuvettes de toilettes par lot avec 5 classes d'événements principales, un score clinique de l'échelle de Bristol et plus de 20 étiquettes d'attributs — alimentant une IA de surveillance de la santé numérique non invasive.
Résumé du projet
Avec le déploiement de la surveillance numérique non invasive de la santé dans les salles de bains intelligentes, le client avait besoin d'un pipeline d'annotation cliniquement fondé capable de classer de grands volumes d'images de caméras télécentriques par rapport à un arbre de décision structuré avec une granularité au niveau des attributs.
Shaip a construit le pipeline d'annotation de bout en bout couvrant l'évaluation de la facilité d'utilisation des images, la classification des événements primaires, le score de l'échelle de Bristol, l'étiquetage des attributs et le transfert de l'assurance qualité par lots, produisant des ensembles de données cliniquement applicables pour l'IA de surveillance de la santé gastro-intestinale.
État clé
Images par lot
10,000
Cycle de livraison
14 jours
Classes d'événements principaux
5
Gamme de balances Bristol
1-7
Défis
- Construire un schéma de classification cliniquement fondé couvrant 5 classes d'événements principales et plus de 20 balises d'attributs
- Fonctionnant sur un cycle de production strict de 14 jours avec 10 000 images livrées par cycle
- Application Échelle de notation des selles de Bristol (1 à 7) de manière constante dans tous les événements liés aux selles
- Manipulation monochrome, obstrué et affecté par des artefacts imagerie avec triage axé sur l'utilisabilité
- De coordination Transfert de l'assurance qualité client avec des étapes clés structurées aux jours 7 et 14
Solution
Classification de l'arbre de décision
Shaip a conçu un flux de travail structuré sous forme d'arbre de décision, couvrant cinq classes d'événements principales : Vider, Urine, Selles, Tirer la chasse d'eau et Savon pour toilettes. Des étiquettes combinables permettent de gérer les événements composés (par exemple, tirer la chasse d'eau et avoir des selles). Une étiquette « Événement incertain » traite les cas ambigus tout en préservant les combinaisons d'événements identifiables.
Évaluation clinique selon l'échelle de Bristol
Pour chaque selle, les annotateurs ont attribué un score de 1 à 7 selon l'échelle de Bristol, les mentions « Incertain » ou « Mixte » étant disponibles pour les cas difficiles. Cette évaluation clinique a rendu l'ensemble de données directement utilisable pour l'entraînement d'une IA de surveillance de la santé gastro-intestinale.
Balisage d'attributs enrichis
Au-delà de la classification initiale, chaque image a reçu des étiquettes d'attributs concernant la visibilité du jet d'urine, la présence de papier toilette, la détection de sang (y compris le sang suspecté, les caillots et les traces de sang), les marques de corrosion, la saleté de l'appareil photo, les obstructions de l'image, les artefacts du flash, le cadrage décentré, le faible volume, les éléments flottants et les fuites des toilettes. Les images monochromes dans les tons orange ou bleu-violet ont reçu des indicateurs de couleur supplémentaires.
Évaluation de l'utilisabilité des images
Chaque image a d'abord été évaluée quant à son utilité et sa pertinence. Les images pixélisées, surexposées, vertes, grises, non télécentriques ou hors sujet ont été écartées. Ce processus de sélection a empêché l'intégration d'entrées compromises dans l'ensemble de données étiquetées, préservant ainsi la qualité de l'entraînement du modèle.
Cycle de production par lots de deux semaines et transfert de l'assurance qualité
Shaip travaillait selon un cycle de traitement par lots de deux semaines, avec des étapes clés clairement définies. Une fois l'étiquetage terminé, l'équipe d'assurance qualité interne du client examinait la moitié du lot au bout de sept jours et la totalité au bout de quatorze jours. Les images rejetées étaient signalées et renvoyées pour correction, garantissant ainsi une amélioration continue de la qualité d'un lot à l'autre.
Description du projet
| Type de jeu de données | Volume par lot | Cours d'événements | Score clinique | Balises d'attribut | Cycle |
|---|---|---|---|---|---|
| Classification d'images de toilettes intelligentes | Images 10,000 | 5 combinaisons primaires | Échelle de Bristol des selles 1–7 | 20+ balises | 14 jours |
Les résultats
- Établi un pipeline d'annotation cliniquement fondé IA pour la surveillance non invasive de la santé numérique
- Normalisé Classification des événements primaires en 5 classes avec une logique d'étiquettes combinables
- Livré Échelle de notation des selles de Bristol (1 à 7) à travers chaque événement de tabouret
- Année de construction Plus de 20 balises d'attribut couvrant les conditions cliniques, la qualité d'image et les artefacts visuels
- facile cycles de production stricts de 14 jours avec une transition structurée de l'assurance qualité client
Globalement, Shaip a contribué à transformer un besoin de classification d'images médicales à grand volume en un pipeline d'annotation structuré cliniquement et prêt pour la production, capable de prendre en charge à grande échelle la surveillance numérique non invasive de la santé, l'IA gastro-intestinale et les applications d'aide à la décision clinique à domicile.
Shaip avait bien compris qu'il ne s'agissait pas d'un simple étiquetage d'images, mais d'une annotation clinique. Leur maîtrise de l'échelle de Bristol, la rigueur de l'étiquetage des attributs et la discipline du cycle de traitement par lots nous ont fourni des données d'entraînement que nous pouvions utiliser en toute confiance pour le déploiement du modèle.
