Je größer und leistungsfähiger insbesondere komplexe Deep Neural Networks werden, desto wichtiger wird es, von den Vorteilen des Transfer Learnings zu profitieren, um die Leistungsfähigkeit auch nutzen und redundante Trainingsaufwände vermeiden zu können. Doch Medizinproduktehersteller, die Verfahren des Machine Learnings verwenden, müssen die regulatorischen Anforderungen der FDA, der MDR, der IEC 62304 und anderer Vorgaben auch dann erfüllen, wenn sie pre-trained Models verwenden. In der aktuellen Podcast-Episode diskutieren die Professoren Haase und Johner den Sinn dieser pre-trained Models, die Anwendbarkeit der Regularien und geben Tipps, um diese zu erfüllen.
Die MDR hat die Anforderungen deutlich erhöht, die Hersteller von stofflichen Medizinprodukten berücksichtigen müssen. Das beginnt von der Klassifizierung und endet nicht bei den Nachweisen zur Kinetik dieser Produkte. Maike Andersson erläutert im Gesprä
zum Artikel gehenChancen und Herausforderungen in der Medtech-Branche Wenden Sie sich bei weiteren Fragen an Rainer Schultheis , Geschäftsführer von Sahpenus Medical Technology Dr. Anja Segschneider (via Kontaktformular) Weitere Informationen zum Thema finden Sie u. a. in
zum Artikel gehenFallstricke beim Einsatz von Machine Learning Modellen und beim Versuch, diese zu interpretieren Buch von Christoph Molnar zur Interpretierbarkeit - Artikel zu den regulatorischen Anforderungen an Medizinprodukte, die Machine Learning verwenden Fachart
zum Artikel gehenMit Modellen die Entwicklung, Prüfung und Zulassung von Medizinprodukten beschleunigen Eine Übersicht über die Möglichkeiten und Herausforderungen beschreibt auch der Fachartikel zur computerbasierten Entwicklung und Zulassung von Medizinprodukten. Bei we
zum Artikel gehenMedizinprodukte enthalten immer mehr Software. Damit bestimmt die Software-Entwicklung zunehmend die Time 2 Market. Die Code-Generierung bietet möglicherweise die Chance, diese Zeit deutlich zu verkürzen. Matthias van der Staay diskutiert in dieser Episo
zum Artikel gehen