在用于评估溃疡性结肠炎内镜活动性的评分系统中，如Mayo内镜评分或溃疡性结肠炎内镜严重程度指数，评分等级随疾病活动度的加重而升高。这种评分之间的相对排序关系使其成为一个有序回归（ordinal regression）问题。然而，大多数研究在训练深度学习模型时采用分类交叉熵损失函数（categorical cross-entropy），该函数并未充分考虑类别间的有序性，因而并非此类问题的最优选择。为此，本研究提出一种新型损失函数——类别距离加权交叉熵（Class Distance Weighted Cross-Entropy, CDW-CE），该函数在计算损失时不仅考虑了类别的顺序关系，还引入了类别间的距离信息，以更合理地反映分类错误的代价。实验结果表明，采用CDW-CE训练的模型在性能上优于使用传统分类交叉熵及其他专为有序回归设计的常用损失函数所训练的模型。此外，使用CDW-CE训练的模型生成的类别激活图（class activation maps）表现出更强的类别区分能力，且经领域专家评估，其空间分布更具临床合理性。