Intelligente Badezimmer-Gesundheitsüberwachung: Fallstudie zur Bildklassifizierung der Toilettenschüssel
Wie Shaip eine strukturierte Pipeline zur medizinischen Bildannotation entwickelte, die pro Batch 10,000 Toilettenschüsselbilder mit 5 primären Ereignisklassen, der klinischen Bewertung nach der Bristol-Stuhlskala und mehr als 20 Attribut-Tags klassifiziert – und damit die Grundlage für nicht-invasive digitale Gesundheitsüberwachung mittels KI bildet.
Projektübersicht
Da die nicht-invasive digitale Gesundheitsüberwachung auch in intelligenten Badezimmern zum Einsatz kam, benötigte der Kunde eine klinisch fundierte Annotationspipeline, die in der Lage war, große Mengen von telezentrischen Kamerabildern anhand eines strukturierten Entscheidungsbaums mit Attribut-Granularität zu klassifizieren.
Shaip entwickelte die durchgängige Annotationspipeline, die die Bewertung der Bildnutzbarkeit, die Klassifizierung primärer Ereignisse, die Bewertung nach der Bristol-Stuhlskala, die Attributkennzeichnung und die Übergabe der Batch-Zyklus-Qualitätssicherung umfasst – und erzeugt so klinisch anwendbare Datensätze für die KI zur Überwachung der gastrointestinalen Gesundheit.
Schlüsselstatus
Bilder pro Stapel
10,000
Lieferzyklus
14 Tage
Primäre Veranstaltungsklassen
5
Bristol-Skala
1-7
Challenges
- Der Aufbau einer klinisch fundiertes Klassifizierungsschema die 5 primäre Ereignisklassen sowie über 20 Attribut-Tags umfasst.
- Betrieb auf a strikter 14-tägiger Chargenzyklus mit 10,000 Bildern pro Zyklus
- Anwendung Bristol-Stuhlskala 1–7-Bewertung konsequent bei allen Stuhlgangereignissen
- Handhabung monochrom, verdeckt und von Artefakten betroffen Bildmaterial mit nutzerorientierter Priorisierung
- Koordination Übergabe der Kunden-Qualitätssicherung mit strukturierten Meilensteinen an Tag 7 und Tag 14
Lösung
Klassifikation des Entscheidungsbaums
Shaip entwarf einen strukturierten Entscheidungsbaum-Workflow für fünf primäre Ereignisklassen – Leeren, Urin, Stuhlgang, Spülen und Toilettenseife – mit kombinierbaren Tags für zusammengesetzte Ereignisse (z. B. Spülen in Kombination mit Stuhlgang). Ein Tag „Ereignis unklar“ behandelte mehrdeutige Fälle, wobei die identifizierbaren Ereigniskombinationen erhalten blieben.
Klinische Bewertung der Bristol-Skala
Für alle Stuhlproben wurde eine Punktzahl nach der Bristol-Stuhlformen-Skala von 1 bis 7 vergeben, wobei für schwierige Fälle die Kennzeichnungen „Unklar“ oder „Gemischt“ zur Verfügung standen. Diese klinische Bewertungsebene ermöglichte die direkte Anwendung des Datensatzes für das Training von KI-Systemen zur Überwachung der gastrointestinalen Gesundheit.
Rich-Attribut-Tagging
Zusätzlich zur primären Klassifizierung erhielt jedes Bild Attribute wie Sichtbarkeit des Urinstrahls, Vorhandensein von Toilettenpapier, Blutspuren (einschließlich vermutetem Blut, Blutklumpen und Blutkrümeln), Korrosionsspuren, Kameraverschmutzung, Bildverdeckung, Blitzartefakte, unzentrierte Bildausschnitte, geringes Bildvolumen, schwebende Objekte und Toilettenlecks. Monochromatische Bilder in Orange- oder Violettblautönen erhielten zusätzliche Farbkennzeichnungen.
Triage zur Bildnutzbarkeit
Jedes Bild wurde zunächst auf Verwendbarkeit und Relevanz geprüft. Verpixelte, überbelichtete, grüne, graue, nicht telezentrische oder themenfremde Bilder wurden als irrelevant markiert und ignoriert. Diese Vorauswahl verhinderte, dass fehlerhafte Eingaben in den annotierten Datensatz gelangten und schützte so die Qualität des nachfolgenden Modelltrainings.
Zweiwöchiger Chargenzyklus & Übergabe der Qualitätssicherung
Shaip arbeitete in einem strikten zweiwöchigen Batch-Zyklus mit klar definierten Meilensteinen. Nachdem Shaip die Verschlagwortung abgeschlossen hatte, überprüfte das interne QA-Team des Kunden bis zum siebten Tag die Hälfte des Batches und bis zum vierzehnten Tag den gesamten Batch. Abgelehnte Bilder wurden markiert und zur Korrektur zurückgesendet, um eine kontinuierliche Qualitätsverbesserung über alle Batches hinweg zu gewährleisten.
Projektumfang
| Datensatztyp | Volumen pro Charge | Veranstaltungsklassen | Klinische Bewertung | Attribut-Tags | Zyklus |
|---|---|---|---|---|---|
| Bildklassifizierung für intelligente Toiletten | 10,000 Bilder | 5 Primär- + Kombinationen | Bristol-Stuhlskala 1–7 | 20+ Tags | 14 Tage |
Ergebnisse:
- Gegründet a klinisch fundierte Annotationspipeline für nicht-invasive digitale Gesundheitsüberwachung KI
- Standardisiert 5-Klassen-Klassifizierung des primären Ereignisses mit kombinierbarer Tag-Logik
- Erfolgreicher Abschluss von Bristol-Stuhlskala 1–7-Bewertung bei jedem Stuhl-Event
- Langlebig Mehr als 20 Attribut-Tags die klinische Bedingungen, die Bildqualität und visuelle Artefakte umfassen
- Leicht strikte 14-tägige Chargenzyklen mit strukturierter Übergabe der Kunden-Qualitätssicherung
Insgesamt trug Shaip dazu bei, eine Anforderung an die Klassifizierung medizinischer Bilder in großem Umfang in eine klinisch strukturierte, produktionsreife Annotationspipeline umzuwandeln – eine Pipeline, die in der Lage ist, nicht-invasive digitale Gesundheitsüberwachung, gastrointestinale KI und klinische Entscheidungsunterstützungsanwendungen für den Heimgebrauch in großem Umfang zu unterstützen.
Shaip verstand, dass es sich hier nicht um routinemäßiges Bild-Tagging handelte, sondern um klinische Annotation. Ihre Umsetzung nach der Bristol-Skala, die Sorgfalt bei der Attributkennzeichnung und die Disziplin im Batch-Prozess lieferten uns Trainingsdaten, die wir bedenkenlos für die Modellimplementierung verwenden konnten.
