AI-based outlier detection in optical coherence tomography (OCT) measurements for pharmaceutical applications
تُثبت هذه الدراسة أن شبكة ResNet-18 العصبية التلافيفية التي تم ضبطها بدقة يمكنها بفعالية أتمتة التمييز بين القيم المتطرفة الحقيقية للعملية وأخطاء القياس في بيانات التصوير المقطعي للتماسك البصري (OCT)، مما يسرع بشكل كبير من تطوير الطلاءات الصيدلانية من خلال تقليل وقت المراجعة اليدوية وتحسين موثوقية البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم صناعة الأدوية، يعد ضمان أن كل حبة دواء مثالية مسألة تتعلق بالسلامة والاقتصاد معاً. ومن أقوى الأدوات التي يستخدمها العلماء للتحقق من جودة هذه الحبوب تقنية تُسمى التصوير المقطعي للتماسك البصري. تخيل تسليط نوع خاص من الضوء على قرص دواء بينما يتدحرج داخل آلة، مما يسمح للضوء بالارتداد وإنشاء صورة مقطعية تفصيلية لسطح الحبة والطبقة الرقيقة المغلفة لها. تحدث هذه العملية بسرعة فائقة، حيث تلتقط آلاف الصور المقطعية هذه في الساعة بينما تتحرك الحبوب عبر خط التصنيع. والهدف هو قياس سمك الطبقة لضمان كونها متساوية ومتسقة، وهو أمر حيوي لكيفية إطلاق الدواء داخل الجسم. ومع ذلك، ولأن الحبوب تتحرك بشكل عشوائي وسريع، فإن الآلة تلتقط أحياناً صوراً مربكة أو مضللة. يمكن لهذه الصور السيئة أن تبدو كأنها مشاكل حقيقية في الدواء، أو قد تخفي مشاكل حقيقية، مما يخلق تراكماً هائلاً من البيانات التي يجب على الخبراء البشريين فحصها يدوياً للعثور على الحقيقة.
لقد سعى فريق من الباحثين في مركز هندسة الصيدلة البحثي في النمسا إلى حل هذه العقبة. فقد ركزوا على المراحل المبكرة من تطوير الأدوية الجديدة، وهو وقت لا تزال فيه الآلات وتركيبات الحبوب قيد الضبط وعرضة لتوليد هذه الصور المربكة. في هذه المراحل الأولية، قد تسيء المعدات تفسير ذرة غبار، أو انعكاس من جدار الآلة، أو كتلة من المكونات على أنها عيب في الغلاف. يمكن للخبير البشري تمييز هذه الأخطاء بسهلاً إذا نظر إلى صورة واحدة، ولكن عندما تنتج تجربة واحدة آلاف الصور، يصبح فحصها واحدة تلو الأخرى مهمة شاقة قد تستغرق أياماً. أراد الباحثون معرفة ما إذا كان بإمكانهم تعليم الكمبيوتر القيام بعمل الفرز هذا تلقائياً، وفصل المشاكل الحقيقية عن الإنذارات الكاذبة حتى يتمكن العلماء من التركيز فقط على الصور التي تهمهم حقاً.
وللقيام بذلك، بنى الفريق "دماغاً رقمياً" باستخدام نوع من الذكاء الاصطناعي يُعرف باسم الشبكة العصبية التلافيفية. بدأوا بنموذج تعلم بالفعل التعرف على آلاف الأشياء اليومية، مثل القطط والسيارات، ثم علّموه خصيصاً النظر إلى الصور المقطعية للحبوب. لقد عرضوا على الكمبيوتر آلاف الأمثلة لصور جيدة وصور سيئة، وتركوه يتعلم الاختلافات البصرية الدقيقة بين الغلاف الحقيقي والخطأ. وقد وقعت الصور السيئة التي واجهوها في بضع فئات محددة؛ فأحياناً تمر الحبة قريبة جداً من المستشعر، مما يخلق صورة مرآتية تبدو كأنها انعكاس شبحي. وفي أحيان أخرى، تقوم بعض المكونات في الحبة التي تشتت الضوء بقوة بخداع الآلة لتظن أنها رأت طبقة غلاف حيث لا يوجد شيء. وفي حالات أخرى، يمكن لمادة الغلاف التي التصقت بداخل أسطوانة الخلط أن تُعتبر خطأً في غلاف الحبة. تعلم الكمبيوتر التعرف على هذه الأنماط تماماً كما يفعل الخبير البشري، ولكن بسرعة الآلة.
وعندما اختبر الباحثون ألتهم الجديد، كانت النتائج مذهلة. فقد طبقوا النظام على مجموعات بيانات ضخمة تحتوي على آلاف الصور من تجارب طلاء حقيقية. وفي تجربة واحدة تضمنت طلاءً أسطوانياً، حلل النظام أكثر من ستة آلاف نقطة بيانات. قبل مساعدة الكمبيوتر، بدت ما يقرب من سبعمائة نقطة من هذه النقاط وكأنها خارج النطاق الطبيعي، مما يشير إلى أن الغلاف غير متساوٍ. وبعد أن قام الذكاء الاصطناعي بفرزها، وجد أن أكثر من نصف تلك النقاط المشبوهة كانت في الواقع مجرد أخطاء في القياس. ومن خلال إزالة هذه الإنذارات الكاذبة، أصبحت البيانات أكثر نقاءً، وأصبحت القيم المتطرفة المتبقية تمثل مشكلات حقيقية في العملية بدلاً من كونها أعطالاً في الكاميرا. وفي تجربة أخرى مع طلاء بأسلوب السرير المميع، قلل النظام عدد النقاط المشبوهة بأكثر من النصف أيضاً. وانخفض متوسط التباين في قياسات سمك الغلاف بشكل كبير، مما أعطى العلماء صورة أوضح لكيفية أداء العملية فعلياً.
كما كانت دقة النظام مثيرة للإعجاب أيضاً. فعند اختباره على مجموعة من الصور التي لم يسبق له رؤيتها، حدد الكمبيوتر بشكل صحيح ما إذا كانت الصورة قياساً جيداً أم خطأ في حوالي ستة وتسعين بالمائة من الحالات. ولضمان أن الكمبيوتر لا يقوم بمجرد التخمين أو النظر إلى الأجزاء الخاطئة من الصورة، استخدم الباحثون تقنية تسلط الضوء على المناطق التي ركز عليها الكمبيوتر لاتخاذ قراره. أظهرت هذه الخرائط البصرية أن الكمبيوتر كان ينظر بالفعل إلى الحبة والغلاف، متجاهلاً الضوضاء الخلفية والشوائب. هذه الشفافية أمر بالغ الأهمية، لأنها تسمح للخبراء البشريين بالثقة في النظام والتحقق من قراراته عند الضرورة.
تكمن القيمة الحقيقية لهذا العمل في كيفية تغيير سير العمل لمطوري الأدوية. فبدلاً من قضاء ساعات أو أيام في مراجعة آلاف الصور يدوياً، يمكن للعالم الآن ترك المهمة الشاقة للكمبيوتر في غضون دقائق. يقوم النظام بتمييز الصور المشكوك فيها فقط للمراجعة البشرية، بينما يستبعد الأخطاء الواضحة ويحتفظ بالبيانات الواضحة والمفيدة. هذا لا يعني أن الكمبيوتر يحل محل الخبير، بل يعمل كمرشح عالي الكفاءة يزيل الضجيج، مما يسمح للإنسان بالتركيز على المشكلات الحقيقية التي تحتاج إلى حل. ومع استقرار عملية التصنيع وانتقالها من مرحلة التطوير إلى الإنتاج الروتيني، تصبح أخطاء القياس هذه أقل شيوعاً بطبيعة الحال، وتتراجع الحاجة إلى مثل هذا المرشح. ومع ذلك، خلال المراحل الحرجة لإنشاء أدوية جديدة، يساعد هذا المفهوم العلماء على اتخاذ قرارات أسرع وأكثر ثقة، مما يسرع الرحلة من المختبر إلى رف الصيدلية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.