{"id":126,"date":"2025-11-18T21:39:57","date_gmt":"2025-11-18T20:39:57","guid":{"rendered":"https:\/\/cogita.ai\/?post_type=case-study&p=126"},"modified":"2026-04-02T12:19:57","modified_gmt":"2026-04-02T10:19:57","slug":"how-we-built-an-ai-system-that-assesses-a-patients-health-from-a-photo-of-the-tongue","status":"publish","type":"case-study","link":"https:\/\/cogita.ai\/de\/case-study\/how-we-built-an-ai-system-that-assesses-a-patients-health-from-a-photo-of-the-tongue\/","title":{"rendered":"Wie haben wir ein KI‑System entwickelt, das den Gesundheitszustand eines Patienten anhand eines Fotos der Zunge beurteilt"},"content":{"rendered":"

Problem<\/h3>\n\n\n\n

Ziel des Projekts war die Entwicklung eines KI‑Algorithmus zur Analyse von Zungenfotos auf der Grundlage der Traditionellen Chinesischen Medizin (TCM).<\/p>\n\n\n\n

Eine einfache Zungenanalyse erm\u00f6glicht es Patienten, grundlegende Gesundheitsprobleme zu erkennen und weitere Ma\u00dfnahmen zu ergreifen, z. B. einen Arzt aufzusuchen.<\/p>\n\n\n\n

Bei einer solchen Analyse bewertet ein Experte anhand von drei Fotos (Vorder-, R\u00fcck- und Seitenfl\u00e4che der Zunge) verschiedene visuelle Zungenmerkmale wie Belag, Verf\u00e4rbungen, Risse, Zahnspuren oder Flecken. Diese helfen, die beobachteten Merkmale einem der h\u00e4ufigsten TCM‑Syndrome zuzuordnen.<\/p>\n\n\n\n

Das Problem ist, dass diese Fotoanalyse zeitaufw\u00e4ndig ist und Fachwissen erfordert, so dass der Dienst f\u00fcr die Patienten nur begrenzt verf\u00fcgbar ist.<\/p>\n\n\n\n

Herausforderungen<\/h3>\n\n\n\n

Die gr\u00f6\u00dfte Herausforderung war die begrenzte Anzahl von zuverl\u00e4ssig beschrifteten Daten, die hohe Seltenheit einiger Symptome und die Schwankungen der Fotoqualit\u00e4t.<\/p>\n\n\n\n

Die bisher durchgef\u00fchrten Analysen wurden uns als Export aus einem E‑Mail-Posteingang geliefert, wobei die Fotos in separaten Nachrichten getrennt von den zugeh\u00f6rigen Analysen vorlagen. Die Analysen hatten kein standardisiertes Format und waren oft als Freitext geschrieben, was den Einsatz verschiedener NLP‑Techniken erforderte.<\/p>\n\n\n\n

Dar\u00fcber hinaus waren einige Symptome sehr subtil und schwer eindeutig zuzuordnen, was st\u00e4ndige Konsultationen mit dem TCM‑Experten erforderte. Es war auch notwendig, die CNN‑Modellarchitektur an die Besonderheiten der medizinischen Bildinterpretation anzupassen und die Klassenverteilung der Syndrome auszugleichen.<\/p>\n\n\n\n

L\u00f6sung<\/h3>\n\n\n\n

In enger Zusammenarbeit mit einem TCM‑Experten definierten wir eine Liste von Zungensymptomen, die vom KI‑Modell automatisch erkannt werden sollten.<\/p>\n\n\n\n

Wir haben Daten gesammelt und aufbereitet und sie nach Symptomen und den entsprechenden Syndromen geordnet.<\/p>\n\n\n\n

Als N\u00e4chstes erstellten wir Modelle basierend auf Convolutional Neural Networks (CNNs) (unter Verwendung von Transfer-Learning, wobei wir bereits trainierte Bildgebungsmodelle f\u00fcr allgemeine Zwecke nutzten) und testeten zwei Architekturen: eine einfache Syndromklassifizierung und ein dreistufiges Modell (Symptomerkennung \u2192 Bereichsanalyse \u2192 Klassifizierung), das zu einer h\u00f6heren Effizienz beitrug.<\/p>\n\n\n\n

Die Modelle wurden im Hinblick auf Vorhersagegenauigkeit, Stabilit\u00e4t und Erweiterungsf\u00e4higkeit optimiert.<\/p>\n\n\n\n

Die Modelle wurden in der AWS‑Cloud bereitgestellt und starten automatisch, wenn ein Patient Zungenfotos hochl\u00e4dt. Erkannte Symptome werden auf den Bildern markiert und zur \u00dcberpr\u00fcfung an den TCM‑Experten gesendet.<\/p>\n\n\n\n

Ergebnis<\/h2>\n\n\n\n

In der PoC‑Phase erreichten die CNN‑Modelle eine Effektivit\u00e4t von 80-90% bei der Vorhersage von TCM‑Syndromen und eine hohe Effektivit\u00e4t bei der Erkennung einzelner Symptome im Bild.<\/p>\n\n\n\n

Das System wurde in die Dienste des TCM‑Experten integriert und wird zur Beschleunigung der Analyse des Sachverst\u00e4ndigen eingesetzt.<\/p>\n\n\n\n

Das System ist eine solide Grundlage f\u00fcr weitere Eins\u00e4tze. Es wurden M\u00f6glichkeiten aufgezeigt, um in Zukunft mit einer gr\u00f6\u00dferen Datenmenge und einer weiteren Modelloptimierung eine Genauigkeit von bis zu 99% zu erreichen.<\/p>\n\n\n\n

In Zukunft k\u00f6nnte das System, nachdem es stabile Ergebnisse erzielt hat, vollautomatisch arbeiten und die Analyseergebnisse direkt an den Patienten senden, ohne dass ein Experte die Ergebnisse \u00fcberpr\u00fcfen muss.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Beispiel: Der Algorithmus erkennt u. a. sichtbare Adern auf dem Zungenr\u00fccken. <\/p>","protected":false},"excerpt":{"rendered":"

Problem The goal of the project was to create an AI algorithm for analyzing tongue photos based on Traditional Chinese Medicine (TCM). A simple tongue analysis enables patients to detect basic health issues and take further health steps, such as consulting a doctor. During such an analysis, an expert evaluates various visual tongue features, such […]<\/p>\n","protected":false},"featured_media":0,"template":"","meta":{"_acf_changed":false},"class_list":["post-126","case-study","type-case-study","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study\/126","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/case-study"}],"about":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/types\/case-study"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media?parent=126"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}