Bei den zur Bewertung der endoskopischen Aktivität der colitis ulcerosa eingesetzten Skalensystemen, wie dem Mayo-Endoskopie-Score oder dem Ulcerative Colitis Endoscopic Index of Severity, steigen die Werte mit zunehmender Schwere der Erkrankungsaktivität. Diese relative Rangordnung der Scores führt zu einem ordinalen Regressionsproblem. Im Gegensatz dazu verwenden die meisten Studien zur Schulung von Deep-Learning-Modellen die kategoriale Kreuzentropieverlustfunktion, die für das ordinales Regressionsproblem nicht optimal ist. In dieser Studie stellen wir eine neuartige Verlustfunktion, die class distance weighted cross-entropy (CDW-CE), vor, die die Ordnung der Klassen berücksichtigt und bei der Kostenberechnung auch den Abstand zwischen den Klassen einbezieht. Experimentelle Evaluierungen zeigen, dass Modelle, die mit CDW-CE trainiert wurden, die Leistung von Modellen übertrafen, die mit der herkömmlichen kategorialen Kreuzentropie und anderen häufig verwendeten Verlustfunktionen für ordinales Regressionsproblem trainiert wurden. Zudem zeigten die Klassen-Aktivierungskarten (class activation maps) der mit CDW-CE trainierten Modelle eine höhere Klassendifferenzierbarkeit und wurden von Fachexperten als plausibler bewertet.