Smart badrumshälsoövervakning: Fallstudie om bildklassificering av toalettstol
Hur Shaip levererade en strukturerad pipeline för medicinska bildannoteringar som klassificerade 10 000 toalettstolsbilder per batch med 5 primära händelseklasser, klinisk poängsättning enligt Bristol Stool Scale och över 20 attributtaggar – vilket driver icke-invasiv digital hälsoövervakning med AI.
Projektöversikt
I takt med att icke-invasiv digital hälsoövervakning blev alltmer populärt i smarta badrum, behövde kunden en kliniskt förankrad annoteringspipeline som kunde klassificera stora volymer telecentriska kamerabilder mot ett strukturerat beslutsträd med granularitet på attributnivå.
Shaip byggde en heltäckande annoteringsprocess som omfattade bedömning av bildanvändbarhet, klassificering av primära händelser, Bristol Stool Scale-poängsättning, attributmärkning och QA-överlämning i batchcykler – och producerade kliniskt tillämpliga datamängder för AI-övervakning av gastrointestinal hälsa.
Nyckelstatus
Bilder per batch
10,000
Leveranscykel
14 DAYS
Primära evenemangsklasser
5
Bristol Scale-intervall
1-7
Utmaningar
- Bygga en kliniskt grundat klassificeringsschema som spänner över 5 primära händelseklasser plus 20+ attributtaggar
- Verksam på en strikt 14-dagars batchcykel med 10 000 bilder levererade per cykel
- Tillämpa Bristol Stool Scale 1–7 poängsättning konsekvent över alla avföringshändelser
- Arbetsmiljö monokromatisk, skymd och artefaktpåverkad bilder med användbarhetsprioritering
- samordna överlämning av QA till klient med strukturerade milstolpar för dag 7 och dag 14
Lösning
Klassificering av beslutsträd
Shaip utformade ett strukturerat arbetsflöde i ett beslutsträd som täckte fem primära händelseklasser – Tömning, Urin, Avföring, Spolning och Toaletttvål – med kombinerbara taggar för sammansatta händelser (t.ex. spolning i kombination med avföring). En Event Unclear-tagg hanterade tvetydiga fall samtidigt som identifierbara händelsekombinationer bevarades.
Klinisk Bristol-skalapoängsättning
För alla avföringshändelser tilldelade annotatörerna en Bristol Stool Scale-poäng från 1 till 7, med flaggor för "Oklar" eller "Blandad" tillgängliga för svåra fall. Detta kliniska poängsättningslager gjorde datamängden direkt tillämpbar för AI-träning av övervakning av mag-tarmhälsa.
Rik attributtaggning
Utöver den primära klassificeringen fick varje bild attributtaggar som täckte synligheten av urinstrålen, närvaro av toalettpapper, bloddetektering (inklusive misstänkt blod, blodproppar och blodsmulor), korrosionsmarkeringar, kamerasmuts, bildobstruktion, blixtartefakter, ocentrerad inramning, låg volym, flytande innehåll och toalettläckor. Monokromatiska bilder i orange eller lila-blå toner fick ytterligare färgflaggor.
Triage av bildanvändbarhet
Varje bild utvärderades först med avseende på användbarhet och relevans. Pixelerade, överexponerade, gröna, grå, icke-telecentriska eller irrelevanta bilder flaggades som ignorerade. Detta prioriteringslager förhindrade att komprometterade indata kom in i den märkta datamängden, vilket skyddade modellträningskvaliteten nedströms.
Tvåveckors batchcykel och QA-överlämning
Shaip arbetade med en strikt tvåveckors batchcykel med tydligt definierade milstolpar. Efter att Shaip hade slutfört taggningen granskade kundens interna kvalitetssäkringsteam halva batchen senast dag 7 och hela batchen senast dag 14. Avvisade bilder flaggades och returnerades för korrigering, vilket säkerställde kontinuerlig kvalitetsförbättring mellan batcherna.
Projektets omfattning
| Dataset typ | Volym per sats | Evenemangsklasser | Klinisk poängsättning | Attributtaggar | Cykel |
|---|---|---|---|---|---|
| Smart toalett bildklassificering | 10,000 bilder | 5 primära + kombinationer | Bristol pallskala 1–7 | 20+ taggar | 14 DAYS |
Utkomster
- Etablerade en kliniskt förankrad annoteringspipeline för icke-invasiv digital hälsoövervakning med AI
- standardiserad 5-klassificering av primära evenemang med kombinerbar tagglogik
- Levererat Bristol Stool Scale 1–7 poängsättning över varje avföringshändelse
- Byggd 20+ attributtaggar som omfattar kliniska tillstånd, bildkvalitet och visuella artefakter
- Bibehållen strikta 14-dagars batchcykler med strukturerad QA-överlämning till klienten
Sammantaget hjälpte Shaip till att omvandla ett krav på högvolyms klassificering av medicinska bilder till en kliniskt strukturerad, produktionsklar annoteringspipeline – en som kan stödja icke-invasiv digital hälsoövervakning, gastrointestinal AI och kliniska beslutsstöd i hemmet i stor skala.
Shaip förstod att detta inte var rutinmässig bildtaggning – det var klinisk annotering. Deras Bristol Scale-exekvering, noggrannhet i attributtaggarna och disciplin i batchcykeln gav oss träningsdata som vi med säkerhet kunde använda i modellimplementeringen.
