Überspringen zu Hauptinhalt

Microbeon AI

Unsere
Mission

Durch (bildbasierte) KI-unterstützte Analysen und Lösungen wollen wir mit Microbeon AI der Herausforderung der rasch wachsenden Nachfrage an biotechnologischen und medizinischen Diagnosen begegnen. Ganz im Geiste von Smart Health und der SDGs: für die Wissenschaft, die Forschung und die globale Gesundheit.

SDG Microbeon
SDG Logo - Microbeon
Automatisierter Erregernachweis

Bereitstellung eines zuverlässigen Testverfahrens zum Nachweis von Krankheitserregern in Körperflüssigkeiten

Aufgrund von niedrigen Antikörperlevel kommt es häufig zu falsch-negativen Antikörper-Bluttests. Zum aktuellen Zeitpunkt existiert kein zuverlässiger Test für die bakteriell induzierte Krankheit. Ein Beispiel einer solchen Krankheit ist die Lyme-Krankheit. Deshalb können viele ernste Infektionen unentdeckt bleiben und tödlich enden.

Unsere Lösung

Mit Hilfe von Methoden des Machine Learnings beziehungsweise Deep Learnings analysieren wir mit Microbeon die Formen und Muster der Bakterien. Convolutional Neural Network ermöglicht uns die Bildprozessierung von bekannten sowie unbekannten Pathogenen.

Unser Unique Selling Point

…liegt im Schließen der diagnostischen Lücke. Ein verlässlicher Nachweis von Erregern ist bereits in den ersten Wochen nach einer Infektion möglich.

Wir stellen die Entwicklung von Werkzeugen zur bildgestützten Blutanalyse in den Mittelpunkt. Unser Ziel: Die Bereitstellung eines automatisierten Systems. Dieses soll zukünftig ein wichtiges Hilfsmittel im medizinischen Entscheidungsprozess sein.

Um dem Facharzt ein qualitativ hochwertiges Werkzeug an die Hand zu geben, wird bei der Entwicklung auf Künstliche Intelligenz zurückgegriffen. Für das Erreichen einer akkuraten Vorhersage bereiten Experten die die verwendeten Trainingsdaten vor. Anschließend versetzen wir durch die Optimierung der Parameter das System in die Lage, Anomalien zu erkennen, die auf Bakterien verweisen können.

Dadurch möchten wir einen Beitrag leisten, die digitalen Technologien nutzbar zu machen und zur Erhöhung der Lebensqualität beitragen.

Unser Vorgehen

Bei Microbeon folgen wir einem standardisierten Entwicklungsprozess, der auf unseren Ansatz basiert. Hierbei enthält jede einzelne Phase die Möglichkeit, zur vorherigen Phase zurückzukehren, sodass wir iterativ unser Resultat optimieren können. Jede Erkenntnis und Beobachtung wird von uns dokumentiert, um eine maximale Transparenz zu gewährleisten.

Microbeon Prozess

1 - Daten verstehen

Um Daten zu verstehen, muss zunächst eine Datenbasis geschaffen werden. Eine solch große Menge an Bildmaterial haben wir von unserer Fachexpertin zur Verfügung gestellt bekommen.

Im ersten Schritt haben wir die Bilder inspiziert und Auffälligkeiten oder Besonderheiten, wie zum Beispiel Unschärfe oder Überbelichtung, dokumentiert. Durch die Visualisierung konnten wir Erkenntnisse über die Verteilung der Blutzellen sowie weitere Auffälligkeiten gewinnen, die wir bei der Modellkonzeption berücksichtigen müssen. Ein Beispiel hierfür bildet die Klassenverteilung, die auf der Graphik abgebildet ist.

Ferner gewährt uns die 3D-Raum-Visualisierung mit Hilfe von PCA einen Überblick in die Merkmale der Bilder. Infolgedessen ist zu erkennen, dass eine einfache Klassifizierung nicht möglich ist. 

Bei der Betrachtung der Farbverteilung lässt sich aufzeigen, dass es dem späteren Modell schwerfallen wird, eine Differenzierung anhand der Farben vorzunehmen. Aus diesem Grund greifen wir auf einen vielversprechenderen Ansatz zurück: Der Object Detection.

2 - Daten vorbereiten

Aufgrund der identischen Aufkösung aller Bilddateien ist eine Skalierung unsererseits nicht notwendig.

Bei der Object Detection wird nicht jedes einzelne Bild mit einem Label versehen, sondern alle Objekte, die sich innerhalb eines Bildes befinden. 

Hier müssen zunächst alle Blutzellen manuell klassifiziert werden. Für diese Aufgabe haben wir Hilfe von Fachexperten erhalten. Dadurch konnten wir eine korrekte Klassifizierung vornehmen.

CNN - Microbeon
3 - Modell entwickeln

Als Architektur findet das Faster R-CNN  Anwendung. Dies basiert auf einem Convolutional Neuronal Network und extrahiert die relevanten Merkmale (Features). 

Diese Features werden in zwei weitere Modelle übergeben. Das erste für die Klassifikation und das zweite für die Regressionsanalyse, um die Größe der Boxen zu berechnen.
Sodass wir nicht von Beginn an, ein Modell trainieren müssen, nutzen wir das Konzept des Transfer Learnings. Wir verwenden vortrainierte Modelle und passen diese auf unsere Trainingsdaten an.

4 - Modell Trainieren

Durch die Komplexität der Architektur sind die Berechnungsvorgänge zeitintensiv. Aus diesem Grund sind diese mit einer CPU nicht rentabel.

Dahingegen sind GPUs dafür ausgelegt, Berechnungen parallel auszuführen, sobald diese unabhängig voneinander sind. Folglich nutzen wir Cloud-Lösungen, um unser Modell zu trainieren und somit die Durchlaufzeit zu reduzieren.

Klassifikation - Microbeon

5 - Evaluation

Während bei einer einfachen Klassifizierung nur die Wahrscheinlichkeit bewertet wird, muss bei einer Object Detection zusätzlich die entsprechende Box betrachtet werden.

Für die Bestimmung, wie viele Objekte korrekt und wie viele falsch-positive erkannt wurden, verwenden wir die Intersection over Union Metrik.
Dabei gibt Precision uns die Wahrscheinlichkeit, dass die vorhergesagte Box der Größe aus den Trainingsdatensatz übereinstimmt.
Auf der anderen Seite zeigt uns Recall, wie viele Objekte korrekt erkannt wurden.

Optimization

Zusätzlich zu den Anpassungen der Hyperparamater, wie zum Beispiel der Learning Rate oder Batch Size, haben wir iterativ weitere Ansätze verfolgt. Dadurch sollen bessere Ergebnisse erzielt werden.

Beispielsweise haben wir neben der Faster-R-CNN die YOLO-Architektur erprobt und konnten ähnliche Ergebnisse erzielen.
Da die Trainingsdaten in ausreichender Menge vorhanden sind, haben wir auf eine künstliche Erweiterung durch Augmentation verzichtet.

CNN - Microbeon
6 - Das fertige Produkt

Beim Erreichen des optimalen Zustands stellen wir den Nutzern unsere Künstliche Intelligenz in Form einer Applikation zur Verfügung. Diese basiert nicht nur auf einem UX-freundlichen Design, sondern wird auch von uns entwickelt. Dabei beziehen wir uns zusätzliche Unterstützung unseres Software-Entwicklungsteams. 

Auf Wunsch betten wir unsere Künstliche Intelligenz auch in individuelle Applikationen und Interfaces ein und binden verschiedene Datenquellen an.

Sie sind an Microbeon AI interessiert?

Lernen Sie uns und unser Projekt Microbeon AI in einem unverbindlichen Termin kennen!

An den Anfang scrollen