Anwendung von KI/ML zur Identifikation von Bakterienstämmen anhand von Fresnel-Mustern

Kategorie:
KI/ML
Branche:
Biotechnologie, Labordiagnostik
Stadt:
Polen

Kunde

Eine forschungsund diagnostikorientierte Organisation war auf der Suche nach einer innovativen Lösung zur automatischen und schnellen Identifikation von Bakterienstämmen. Ziel war es, Kosten zu senken, die Analysezeiten zu verkürzen und die gleichzeitige Erkennung mehrerer Arten in einem einzigen Test zu ermöglichenohne teure und zeitaufwändige Laborverfahren.

Herausforderung

Die bisher eingesetzten Methoden zur Identifikation von Bakterien hatten wesentliche Einschränkungen: 

  • Ergebnisse erforderten bis zu 7 Tage Wartezeit und den Einsatz hochqualifizierten Personals. 
  • Moderne Verfahren wie PCR waren kostenintensiv und ermöglichten keine gleichzeitige Erkennung aller Bakterienstämme in einer Probe. 

Der Kunde benötigte ein effektives System, das den Erkennungsprozess automatisiert und die Analyse erheblich beschleunigt. 

Lösung

Das Projekt wurde in drei Hauptphasen unterteilt: 

  1. Entwurf des Bildgebungssystems und Konzeptentwicklung
    In dieser Phase wurde ein spezielles optisches System entwickelt, das die Fresnel-Muster von Bakterienkolonien erfassen kann. Die dabei erzeugten Bilddaten bildeten die Grundlage für die weitere Analyse.
  2. Datenverarbeitung und Entwicklung eines KI/ML-Modells
    Wir entwickelten einen Prozess zur Extraktion numerischer morphologischer und texturaler Merkmale, um Unterschiede zwischen den Mustern verschiedener Bakterienstämme zu erkennen. Anschließend wurde ein KI/ML-Modell erstellt, das in der Lage ist, Dutzende von Bakterienarten zu identifizieren oder bei geringer Übereinstimmung auf fehlende Übereinstimmung hinzuweisen. 
  3. Validierung und Optimierung der Lösung
    Das Modell wurde erfolgreich getestet und erreichte eine hohe Identifikationsgenauigkeit von über 96 %. Dieses Ergebnis wurde von einem unabhängigen britischen Labor bestätigt. Das System wurde so konzipiert, dass es sich problemlos in bestehende mikrobiologische Routinen integrieren lässt. 

Ergebnisse

  • Wir entwickelten ein System, das vom Laborteam des Kunden sehr positiv aufgenommen wurde. Die Genauigkeit der Bakterienidentifikation lag bei über 96 %, bestätigt durch ein zertifiziertes Labor. 
  • Die Analysezeit wurde von 7 Tagen auf maximal 24 Stunden verkürzt. Das System ermöglicht die Identifikation mehrerer Bakterienstämme in einem einzigen Test. 
  • Die verwendeten Geräte und Reagenzien entsprechen den Labornormen – mit einer zusätzlichen Komponente. Dieselbe Probe kann auch mit anderen Methoden analysiert werden, was die diagnostische Flexibilität erhöht. 
  • Die Projektentwicklung und die Zusammenarbeit mit dem Kunden verliefen reibungslos und wurden kontinuierlich überwacht. Unser Team teilte aktiv sein Know-how, was die Implementierung und die spätere Nutzung des Systems erleichterte. 

Einsatz von KI/ML zur Vorhersage des Hypoglykämierisikos bei Diabetespatienten

Design, Entwicklung, DevOps oder Cloud - welches Team brauchen Sie, um die Arbeit an Ihren Projekten zu beschleunigen?
Chatten Sie mit unseren Beratungspartnern, um herauszufinden, ob wir gut zusammenpassen.

Jakub Orczyk

Vorstandsmitglied /Verkaufsdirektor

Buchen Sie eine kostenlose Beratung
kuba (1)

VM.pl AI Chat

AI Hallo! Ich bin der KI-Chat von VM.PL. Du kannst mich alles fragen, was mit unserem Unternehmen zu tun hat.
Dieses Tool verwendet Technologien der künstlichen Intelligenz. Seine Nutzung setzt die Akzeptanz voraus der Nutzungsbedingungen