Ziel des Projekts war die Entwicklung eines patientenspezifischen Orbitabodenimplantats mit integrierter Positionierungshilfe, das navigationsgestützt eingebracht werden kann. Durch die Nutzung nicht-invasiver Marker in der initialen Bildgebung sollten durch Planung, Navigation und Implantatdesign auf einer gemeinsamen Datengrundlage Genauigkeit, Gewebeschonung und insbesondere die Durchlaufzeit deutlich verbessert werden.

Auf Basis medizinischer Anforderungen wurden Implantatgeometrie, Materialkonzepte und Markersysteme definiert und exemplarisch umgesetzt. Parallel wurde der Prozess für das Pulverbettbasierte Laserstrahlschmelzen (L-PBF) für dünnwandige Titanimplantate (Ti6Al4V) entwickelt und hinsichtlich Verzugs und Maßhaltigkeit optimiert. Eine digitale, kollaborative Prozesskette zwischen Klinik und Hersteller ermöglichte eine Reduktion der Lieferzeit auf perspektivisch drei bis vier Tage. Ergänzend wurde eine wiederverwendbare, ergonomische Positionierhilfe mit kamerabasierten Markern entwickelt. Materialanalysen zeigten eine sehr gute Passgenauigkeit (< 90 µm Abweichung), poröse Strukturen erwiesen sich jedoch mechanisch noch als unzureichend. Die präklinische Validierung an realen Falldaten und Operationssimulationen bestätigte die hohe Genauigkeit, Funktionalität und klinische Praktikabilität des Gesamtsystems.

Primäres Projektziel war die Entwicklung eines klinisch einsetzbaren Bioklebers zur Reduktion von AI sowie die Etablierung neuer biomechanischer Prüfmethoden.

Es gelang die Entwicklung eines reproduzierbaren biomechanischen Prüfstands zur Echtzeitmessung von Stabilität, Druckbeständigkeit und Leckage intestinaler Anastomosen ex vivo. Dieser Prüfstand stellt ein nachhaltiges Projektergebnis dar. Zudem wurden neue Erkenntnisse zur Biomechanik der Anastomosenheilung gewonnen, insbesondere zu viskoelastischen Gewebeeigenschaften und druckabhängigen Versagensmechanismen. In der finalen Projektphase wurde die präklinische Untersuchung in ein murines Kolitis-Modell überführt. Die Ergebnisse erlauben eine differenzierte Bewertung des kollagenen Bioklebers und identifizieren Optimierungsbedarf für zukünftige Materialgenerationen. Es entstanden neue methodische Ansätze, belastbare mechanistische Erkenntnisse sowie eine Grundlage für zukünftige Materialentwicklungen.

Das Projekt „Deep Colonoscopy“ hatte zum Ziel, ein KI-gestütztes System zur automatischen Erkennung und Klassifikation von Polypen und Adenomen in Echtzeit während der Koloskopie zu erforschen. Die Resultate, d. h. automatisch erkannte und vorklassifizierte Läsionen, fließen als Vorschlag in die Befund-Dokumentation ein.

Zusammen mit dem Fraunhofer-Institut für Integrierte Schaltungen IIS, dem Malteser Waldkrankenhaus Erlangen und assoziierten Partnern wurden über 100.000 koloskopische Bilder und Videos gesammelt, anonymisiert und annotiert. Auf diesen Daten wurden verschiedene Deep-Learning-Architekturen (u. a. Single Shot-Detektoren und Transformer-basierte Netzwerke) trainiert. Es wurde ein Funktionsdemonstrator entwickelt, der detektierte Polypen und Läsionen visuell hervorhebt. Die Integration in klinische Systeme erfolgte über etablierte Standards wie DICOM.

Die besten KI-Modelle erreichen eine Genauigkeit bei der Detektion von Polypen von über 92 % bei Polypen. Die KI ist in der Lage, die erkannten Läsionen in die Befundterminologie zur übernehmen, und unterstützt damit die ärztliche Dokumentation. Die Ergebnisse wurden in wissenschaftlichen Publikationen veröffentlicht und bilden die Grundlage für zukünftige Produktentwicklungen.

Ziel des Projekts ist die tribologische Bewertung von CFR-PEEK Gleitpaarungen, bei denen sowohl Kopf als auch Pfanne aus CFR-PEEK bestehen. Die In-vitro-Verschleißtests auf einem validierten Prüf-stand dienen als Machbarkeitsstudie zur Bewertung der Material- und Verfahrenseignung für ein mögliches Folgeprojekt zur Entwicklung patientenspezifischer Kiefergelenksimplantate.

Nachdem wir erste vielversprechende Ergebnisse am Testmodell SARS-CoV-2 erzielen konnten, untersuchten wir im Rahmen des Förderprojektes, inwieweit sich das Testprinzip auf andere Viren übertragen lässt. Hier wählten wir zunächst das Epstein-Barr-Virus und das Respiratorische-Synzytial-Virus (RSV) aus. Für RSV gelang es uns nicht, das Testsystem zu etablieren, weshalb wir das Projekt um das Dengue Virus erweiterten. Wir konnten Virus-like Particles (VLPs) herstellen, welche die für die Bindung und Fusion verantwortlichen Virusproteine samt Reportersystem tragen, sowie eine Akzeptorzelllinie etablieren, die eine quantitative Messung der Partikelfusion ermöglicht.

Wir möchten die im Rahmen des Projektes gewonnenen Erkenntnisse nutzen, um das Testprinzip für Dengue nun weiter auszuarbeiten. Die quantitative Bestimmung von NAb ist nach wie vor von großer diagnostischer Relevanz in der Virologie.

Ziel des Projekts TubUS ist die Entwicklung eines ultraschallsichtbaren Mikroschlauchs. Mit diesem können das Risiko möglicher Nebenwirkungen für den Patienten gesenkt sowie Zeit und Kosten gespart werden.

Zur Erzeugung einer Ultraschallsichtbarkeit ist der Unterschied der Schallkennimpedanz zwischen dem Gewebe und dem Mikroschlauch entscheidend. Die Schallkennimpedanz gibt an, wie stark sich die Schallwellen zwischen zwei Materialien brechen. Für eine optimale Ultraschallsichtbarkeit muss die Schallkennimpedanz der beiden Strukturen möglichst unterschiedlich sein. Zur Erreichung des Ziels wurden medizinisch zugelassene Kunststoffe mit verschiedenen Füllstoffen versetzt. Die daraus hergestellten Schläuche wurden anschließend hinsichtlich ihrer chemischen und physikalischen Eigenschaften sowie der Ultraschallsichtbarkeit untersucht. Die Ultraschalluntersuchung erfolgte dabei an einem Stück Schweinerücken, da dieser dem menschlichen Gewebe sehr ähnlich ist und die Versuche so sehr realitätsnah durchgeführt werden konnten.

Das ibp konnte zusammen mit der ALPO Medizintechnik GmbH einen ultraschallsichtbaren Mikroschlauch entwickeln, der sich auch im Praxistest mit medizinischem Fachpersonal be­währen konnte. Der neu entwickelte Schlauch kann somit neben den mechanischen auch die medizinischen Anforderungen hervorragend erfüllen.

Ziel des Projekts DeepMIC war die Entwicklung eines KI-basierten, (teil-)autonomen Assistenzsystems zur Endoskopnachführung. Diese soll eine situationsadaptive, intuitive und sichere Kameraführung ermöglichen, die sich durch hohe Robustheit und eine enge Interaktion mit dem Chirurgen auszeichnet.

Nach einer umfassenden Anforderungsanalyse und der Erstellung einer annotierten Videodatenbank wurden Deep-Learning-Algorithmen für die Erkennung von Instrumenten im endoskopischen Bild trainiert. Parallel entstanden Workflowmodelle für Standardprozeduren sowie eine ergänzende sprachbasierte Steuerung mit Natural Language Understanding. Im weiteren Verlauf wurden zwei Demonstratoren aufgebaut, die die autonome Nachführung der Kamera mithilfe einer modifizierten und funktional erweiterten Variante des SOLOASSIST demonstrieren. Der Gesamtansatz wurde in vitro sowie präklinisch erfolgreich getestet.

DeepMIC erreichte sein Ziel vollständig: Die Demonstratoren zeigten eine autonome Endoskopnachführung mit robuster Instrumentenerkennung und Sprachsteuerung. Das Projekt bildet die Grundlage für die nächste Generation des SOLOASSIST und eröffnet neue Perspektiven für Forschung, klinische Anwendung und Ausbildung.

Die Entwicklung und Zulassung medizinischer Geräte ist ein komplexer und langwieriger Prozess, der für kleine und mittelständische Unternehmen eine enorme Herausforderung darstellt. Die strengen Anforderungen der Medizinprodukteverordnung und die zunehmende Komplexität innovativer Technologien, wie KI-gestützter robotischer Systeme, erhöhen den Aufwand für Sicherheitsprüfungen und Zulassungen erheblich. Dies führt nicht nur zu hohen Kosten, sondern auch zu Verzögerungen bei der Markteinführung neuer Produkte, wodurch potenzielle Behandlungsmöglichkeiten ungenutzt bleiben.

Das Projekt TED-MeD hat das Ziel, durch die Entwicklung eines umfassenden Vorgehensmodells und eines interaktiven Assistenzsystems für Entwickler (EnAs) innovativer Medizingeräte, eine strukturierte Herangehensweise zur Identifizierung und Minimierung von Sicherheitsrisiken zu etablieren. Die spezialisierte Assistenz unterstützt jeden Entwicklungsschritt bis zur Zulassung. Dies ermöglicht Entwicklern ohne tiefgehende regulatorische Kenntnisse, sicherheits- und zulassungsrelevante Aspekte frühzeitig zu berücksichtigen.

Ein zentraler Bestandteil des Projekts ist die Entwicklung eines robotischen Kathetermanipulators für endovaskuläre Eingriffe. Dieser Demonstrator wird die technischen Herausforderungen der Medizintechnik adressieren und dient als praktisches Beispiel für die Anwendung des entwickelten Vorgehensmodells.

TED-MeD fördert die medizinische Innovation und trägt zur Wettbewerbsfähigkeit von KMU in der Medizintechnik bei. Langfristig zielt das Projekt darauf ab, neue Behandlungsmöglichkeiten für Patienten zu erschließen und somit die Qualität der medizinischen Versorgung insgesamt zu verbessern.

Im Rahmen des Projektes LU-THER sollen neue Antikörper-basierte Radioimmunkonjugate für neue, in der Radioimmuntherapie bisher unerforschte Zielproteine entwickelt, charakterisiert und in vitro sowie in Mausmodellen auf ihre mögliche Eignung für die Therapie und Bildgebung solider Tumore, u.a. in Brust- und Pankreaskrebs, untersucht werden.

In der neuroradiologischen Notfallmedizin ist eine schnelle und präzise Diagnostik entscheidend, insbesondere bei akuten Zuständen wie Schlaganfällen. Herkömmliche KI-Systeme, die nur auf Bilddaten basieren, stoßen hier oft an ihre Grenzen. Das Projekt NeuroFUSE entwickelt fortschrittliche multimodale KI-Algorithmen, die sowohl radiologische Bilder als auch klinische Daten wie Patientengeschichte und Laborwerte integrieren.

Durch diese umfassende Datenanalyse soll die diagnostische Genauigkeit erhöht und die Zeit bis zur Diagnosestellung verkürzt werden. Dies ist besonders wichtig, da jede Minute zählt, um schwere Folgeschäden zu vermeiden. NeuroFUSE wird ein prototypisches Trainings- und Bereitstellungsframework entwickeln, das die KI-Modelle nahtlos in bestehende klinische Arbeitsabläufe integriert.

Das Projekt wird in enger Zusammenarbeit der deepc GmbH, der Technischen Universität München und dem Klinikum rechts der Isar durchgeführt. Diese interdisziplinäre Kooperation vereint Expertise in KI, medizinischer Bildgebung und klinischer Praxis, um die neuroradiologische Diagnostik zu verbessern.

NeuroFUSE hat das Potenzial, die Gesundheitsversorgung erheblich zu verbessern, indem es die diagnostische Effizienz steigert und gleichzeitig die Arbeitsbelastung des medizinischen Personals reduziert. Dies führt zu besseren Patientenergebnissen und einer optimierten Nutzung der medizinischen Ressourcen.