ระบบตรวจสอบสุขภาพในห้องน้ำอัจฉริยะ: กรณีศึกษาการจำแนกภาพโถสุขภัณฑ์
Shaip ได้สร้างไปป์ไลน์การติดป้ายกำกับภาพทางการแพทย์ที่มีโครงสร้าง โดยจำแนกภาพโถส้วม 10,000 ภาพต่อชุด ด้วยคลาสเหตุการณ์หลัก 5 คลาส การให้คะแนนทางคลินิกตามมาตราส่วนอุจจาระบริสตอล และแท็กคุณลักษณะมากกว่า 20 รายการ ซึ่งเป็นพลังขับเคลื่อน AI สำหรับการตรวจสอบสุขภาพดิจิทัลแบบไม่รุกราน
ภาพรวมโครงการ
เมื่อการตรวจสอบสุขภาพดิจิทัลแบบไม่รุกรานเริ่มแพร่หลายไปยังห้องน้ำอัจฉริยะ ลูกค้าจึงต้องการระบบการประมวลผลข้อมูลที่มีพื้นฐานทางการแพทย์ ซึ่งสามารถจำแนกภาพจากกล้องระยะไกลจำนวนมากตามโครงสร้างแผนผังการตัดสินใจที่มีความละเอียดระดับคุณลักษณะได้
Shaip ได้สร้างไปป์ไลน์การประมวลผลข้อมูลแบบครบวงจร ตั้งแต่การประเมินความสามารถในการใช้งานของภาพ การจำแนกประเภทเหตุการณ์หลัก การให้คะแนนตามมาตราส่วนอุจจาระบริสตอล การติดแท็กคุณลักษณะ และการส่งมอบงานตรวจสอบคุณภาพแบบเป็นชุด ซึ่งสร้างชุดข้อมูลที่สามารถนำไปใช้ได้จริงทางคลินิกสำหรับ AI ในการตรวจสอบสุขภาพทางเดินอาหาร
สถานะสำคัญ
จำนวนภาพต่อชุด
10,000
รอบการจัดส่ง
14 วัน
คลาสการแข่งขันหลัก
5
มาตราส่วนบริสตอล
1 7-
ชาเลนจ์ (Challenge)
- อาคาร แผนผังการจำแนกประเภทที่มีพื้นฐานทางคลินิก ครอบคลุมคลาสเหตุการณ์หลัก 5 คลาส และแท็กคุณลักษณะมากกว่า 20 รายการ
- ทำงานบน a รอบการผลิตที่เข้มงวด 14 วัน โดยส่งมอบภาพ 10,000 ภาพต่อรอบ
- การประยุกต์ใช้ การให้คะแนนตามมาตราส่วนอุจจาระบริสตอล 1–7 อย่างสม่ำเสมอในทุกเหตุการณ์การถ่ายอุจจาระ
- การจัดการ ภาพขาวดำ ถูกบดบัง และได้รับผลกระทบจากสิ่งแปลกปลอม ภาพที่คัดกรองโดยคำนึงถึงการใช้งานเป็นหลัก
- การประสานงาน การส่งมอบงาน QA ของลูกค้า โดยมีจุดสำคัญที่กำหนดไว้ในวันที่ 7 และวันที่ 14
Solution
การจำแนกต้นไม้การตัดสินใจ
Shaip ออกแบบเวิร์กโฟลว์แบบแผนผังการตัดสินใจที่มีโครงสร้างครอบคลุมเหตุการณ์หลักห้าประเภท ได้แก่ การเททิ้ง ปัสสาวะ อุจจาระ การกดชักโครก และสบู่ห้องน้ำ โดยมีแท็กที่สามารถรวมกันได้สำหรับเหตุการณ์ที่ซับซ้อน (เช่น การกดชักโครกรวมกับอุจจาระ) แท็ก "เหตุการณ์ไม่ชัดเจน" ใช้สำหรับจัดการกรณีที่คลุมเครือในขณะที่ยังคงรักษาการรวมกันของเหตุการณ์ที่สามารถระบุได้
การให้คะแนนตามมาตราบริสตอลทางคลินิก
สำหรับเหตุการณ์อุจจาระทั้งหมด ผู้ให้ข้อมูลจะกำหนดคะแนนตามมาตราส่วนอุจจาระบริสตอล (Bristol Stool Scale) ตั้งแต่ 1 ถึง 7 โดยมีตัวเลือก "ไม่ชัดเจน" หรือ "ผสม" สำหรับกรณีที่ยาก การให้คะแนนทางคลินิกนี้ทำให้ชุดข้อมูลสามารถนำไปใช้โดยตรงในการฝึกอบรม AI สำหรับการตรวจสอบสุขภาพทางเดินอาหารได้
การติดแท็กคุณลักษณะที่หลากหลาย
นอกเหนือจากการจำแนกประเภทเบื้องต้นแล้ว ภาพแต่ละภาพยังได้รับแท็กคุณลักษณะที่ครอบคลุมถึง การมองเห็นกระแสปัสสาวะ การมีกระดาษชำระ การตรวจพบเลือด (รวมถึงเลือดที่ต้องสงสัย ลิ่มเลือด และเศษเลือด) ร่องรอยการกัดกร่อน สิ่งสกปรกบนกล้อง สิ่งกีดขวางภาพ สิ่งผิดปกติจากแสงแฟลช การจัดเฟรมที่ไม่ตรงกลาง ปริมาณภาพต่ำ เนื้อหาที่ลอยอยู่ และการรั่วไหลของโถสุขภัณฑ์ ภาพขาวดำในโทนสีส้มหรือม่วงน้ำเงินจะได้รับธงสีเพิ่มเติม
การคัดกรองความสามารถในการใช้งานรูปภาพ
ภาพทุกภาพจะได้รับการประเมินความสามารถในการใช้งานและความเกี่ยวข้องก่อน ภาพที่แตกเป็นพิกเซล ภาพที่สว่างเกินไป ภาพสีเขียว ภาพสีเทา ภาพที่ไม่ตรงกับจุดศูนย์กลาง หรือภาพที่ไม่เกี่ยวข้องกับหัวข้อ จะถูกทำเครื่องหมายว่าไม่ต้องสนใจ ขั้นตอนการคัดกรองนี้ช่วยป้องกันไม่ให้ข้อมูลที่ไม่สมบูรณ์เข้าสู่ชุดข้อมูลที่มีการติดป้ายกำกับ ซึ่งจะช่วยรักษาคุณภาพการฝึกโมเดลในขั้นตอนต่อไป
รอบการผลิตสองสัปดาห์และการส่งมอบงานควบคุมคุณภาพ
Shaip ดำเนินงานตามรอบการผลิตแบบเป็นชุดที่เข้มงวด โดยแต่ละชุดใช้เวลาสองสัปดาห์และมีเป้าหมายที่ชัดเจน หลังจากที่ Shaip ทำการติดแท็กเสร็จแล้ว ทีม QA ภายในของลูกค้าจะตรวจสอบครึ่งหนึ่งของชุดงานภายในวันที่ 7 และตรวจสอบชุดงานทั้งหมดภายในวันที่ 14 ภาพที่ถูกปฏิเสธจะถูกทำเครื่องหมายและส่งคืนเพื่อแก้ไข เพื่อให้มั่นใจได้ว่าคุณภาพจะได้รับการปรับปรุงอย่างต่อเนื่องในทุกชุดงาน
ขอบเขตโครงการ
| ประเภทชุดข้อมูล | ปริมาณต่อชุดการผลิต | คลาสกิจกรรม | การให้คะแนนทางคลินิก | แท็กคุณลักษณะ | วงจร |
|---|---|---|---|---|---|
| การจำแนกภาพโถสุขภัณฑ์อัจฉริยะ | ภาพ 10,000 | 5 หลัก + การผสมผสาน | ระดับความยากของอุจจาระตามมาตราบริสตอล 1–7 | แท็กมากกว่า 20 รายการ | 14 วัน |
ผลลัพธ์
- ก่อตั้งเป็น กระบวนการระบุข้อมูลที่มีพื้นฐานทางคลินิก สำหรับการตรวจสอบสุขภาพดิจิทัลแบบไม่รุกรานด้วย AI
- มาตรฐาน การจำแนกประเภทเหตุการณ์หลัก 5 คลาส ด้วยตรรกะแท็กที่สามารถนำมาผสมผสานกันได้
- จัดส่ง การให้คะแนนตามมาตราส่วนอุจจาระบริสตอล 1–7 ตลอดทุกกิจกรรมเกี่ยวกับเก้าอี้
- สร้างขึ้น แท็กคุณลักษณะมากกว่า 20 รายการ ครอบคลุมถึงสภาวะทางคลินิก คุณภาพของภาพ และสิ่งผิดปกติทางภาพ
- การบำรุงรักษา รอบการผลิตที่เข้มงวด 14 วัน พร้อมการส่งมอบงาน QA ของลูกค้าอย่างเป็นระบบ
โดยรวมแล้ว Shaip ช่วยเปลี่ยนความต้องการในการจำแนกภาพทางการแพทย์ปริมาณมากให้กลายเป็นไปป์ไลน์การระบุคำอธิบายภาพที่ได้โครงสร้างทางคลินิกและพร้อมใช้งานจริง ซึ่งสามารถรองรับการตรวจสอบสุขภาพดิจิทัลแบบไม่รุกราน ปัญญาประดิษฐ์ด้านระบบทางเดินอาหาร และแอปพลิเคชันสนับสนุนการตัดสินใจทางคลินิกที่บ้านได้อย่างมีประสิทธิภาพ
Shaip เข้าใจว่านี่ไม่ใช่การติดแท็กภาพทั่วไป แต่เป็นการระบุข้อมูลทางคลินิก การดำเนินการตามมาตราส่วนบริสตอล ความเข้มงวดในการติดแท็กคุณลักษณะ และวินัยในรอบการประมวลผลแบบกลุ่ม ทำให้เราได้ข้อมูลฝึกฝนที่เราสามารถนำไปใช้ในการใช้งานโมเดลได้อย่างมั่นใจ
