Diese Website verwendet Cookies, damit wir dir die bestmögliche Benutzererfahrung bieten können. Cookie-Informationen werden in deinem Browser gespeichert und führen Funktionen aus, wie das Wiedererkennen von dir, wenn du auf unsere Website zurückkehrst, und hilft unserem Team zu verstehen, welche Abschnitte der Website für dich am interessantesten und nützlichsten sind.

Kunde
Eine Forschungs- und Diagnostikorganisation suchte nach einem innovativen Ansatz zur Identifizierung von Bakterienstämmen in medizinischen, lebensmittelbezogenen und umweltbezogenen Anwendungen. Ziel war es, die Kosten zu senken, die Analysezeit zu verkürzen und eine schnelle, automatisierte Erkennung mehrerer Bakterienarten ohne den Einsatz teurer und zeitaufwendiger Laborverfahren zu ermöglichen.
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:
- Entwurf des Bildgebungssystems und Konzeptentwicklung
In dieser Phase wurde ein spezielles optisches System entwickelt, das die Fresnel-Muster von Bakterienkolonien erfassen – kann in Schlüsselelement für die nicht-invasive morphologische Analyse. Die dabei erzeugten Bilddaten bildeten die Grundlage für die weitere Analyse. - 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. - 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.

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.
