AI-based outlier detection in optical coherence tomography (OCT) measurements for pharmaceutical applications

In der Welt der Arzneimittelherstellung ist die Sicherstellung, dass jede Tablette perfekt ist, sowohl eine Frage der Sicherheit als auch der Wirtschaftlichkeit. Eines der leistungsfähigsten Werkzeuge, mit denen Wissenschaftler die Qualität dieser Tabletten prüfen, ist eine Technik namens Optische Kohärenztomografie. Stellen Sie sich vor, man strahlt ein spezielles Licht auf eine Tablette, während diese in einer Maschine umherrollt, wodurch das Licht zurückgeworfen wird und ein detailliertes Querschnittsbild der Oberfläche der Tablette und der dünnen, sie umschließenden Schicht erzeugt. Dieser Prozess geschieht unglaublich schnell und erfasst tausende dieser Querschnittsbilder pro Stunde, während sich die Tabletten durch die Produktionslinie bewegen. Das Ziel ist es, die Dicke der Beschichtung zu messen, um sicherzustellen, dass sie gleichmäßig und konsistent ist, was entscheidend dafür ist, wie das Medikament in den Körper freigesetzt wird. Da sich die Tabletten jedoch zufällig und schnell bewegen, macht die Maschine manchmal Bilder, die verwirrend oder irreführend sind. Diese schlechten Bilder können wie echte Probleme mit dem Medikament aussehen oder echte Probleme verbergen, was einen riesigen Berg an Daten erzeugt, den menschliche Experten von Hand durchforsten müssen, um die Wahrheit zu finden.

Ein Forscherteam des Forschungszentrums für Pharmaengineering in Österreich setzte sich zum Ziel, diesen Engpass zu lösen. Sie konzentrierten sich auf die frühen Phasen der Entwicklung neuer Medikamente – eine Zeit, in der die Maschinen und die Pillenformeln noch abgestimmt werden und daher anfällig dafür sind, solche verwirrenden Bilder zu erzeugen. In diesen frühen Phasen könnte die Ausrüstung einen Staubkorn, eine Reflexion von der Maschinenwand oder einen Klumpen von Inhaltsstoffen als Fehler in der Beschichtung missinterpretieren. Ein menschlicher Experte kann diese Fehler leicht erkennen, wenn er sich ein einzelnes Bild ansieht, aber wenn ein einzelnes Experiment tausende Bilder produziert, wird die Überprüfung eines nach dem anderen zu einer mühseligen Aufgabe, die Tage dauern kann. Die Forscher wollten wissen, ob sie einem Computer beibringen könnten, diese Sortierarbeit automatisch zu erledigen, indem sie echte Probleme von Fehlalarmen trennen, damit sich Wissenschaftler nur auf die Bilder konzentrieren können, die wirklich wichtig sind.

Um dies zu erreichen, baute das Team ein digitales Gehirn unter Verwendung einer Art von künstlicher Intelligenz, die als faltendes neuronales Netzwerk bekannt ist. Sie begannen mit einem Modell, das bereits gelernt hatte, tausende alltägliche Objekte wie Katzen und Autos zu erkennen, und brachten ihm dann spezifisch bei, die Querschnittsbilder der Tabletten zu betrachten. Sie zeigten dem Computer tausende Beispiele für gute und schlechte Bilder und ließen ihn die subtilen visuellen Unterschiede zwischen einer echten Beschichtung und einem Fehler erlernen. Die schlechten Bilder, auf die sie stießen, fielen in einige spezifische Kategorien. Manchmal kam eine Tablette zu nah an den Sensor, was ein Spiegelbild erzeugte, das wie eine Geisterreflexion aussah. Ein anderes Mal täuschten bestimmte Inhaltsstoffe in der Tablette, die das Licht stark streuen, die Maschine dazu, eine Beschichtungsschicht zu sehen, wo keine war. In anderen Fällen wurde Beschichtungsmaterial, das an der Innenseite der Mischtrommel hängen geblieben war, mit der Pillenbeschichtung verwechselt. Der Computer lernte, diese Muster genau wie ein menschlicher Experte zu erkennen, aber mit der Geschwindigkeit einer Maschine.

Als die Forscher ihr neues Werkzeug testeten, waren die Ergebnisse beeindruckend. Sie wandten das System auf massive Datensätze an, die tausende Bilder aus echten Beschichtungstests enthielten. In einem Experiment mit einem Beschichtungstrommel analysierte das System über sechstausend Datenpunkte. Bevor der Computer half, sahen fast siebenhundert dieser Punkte so aus, als lägen sie außerhalb des normalen Bereichs, was darauf hindeutete, dass die Beschichtung ungleichmäßig sei. Nachdem die KI die Daten sortiert hatte, identifizierte sie, dass mehr als die Hälfte dieser verdächtigen Punkte tatsächlich nur Messfehler waren. Durch das Entfernen dieser Fehlalarme wurden die Daten viel sauberer, und die verbleibenden Ausreißer repräsentierten echte Probleme im Prozess statt technischer Fehler der Kamera. In einem anderen Versuch mit einem Wirbelbettbeschichter reduzierte das System die Anzahl der verdächtigen Punkte ebenfalls um mehr als die Hälfte. Die durchschnittliche Variation in den Messungen der Beschichtungsdicke sank signifikant, was den Wissenschaftlern ein viel klareres Bild davon gab, wie der Prozess tatsächlich funktionierte.

Die Genauigkeit des Systems war ebenfalls beeindruckend. Als es mit einem Satz von Bildern getestet wurde, die es noch nie zuvor gesehen hatte, identifizierte der Computer korrekt, ob ein Bild eine gute Messung oder ein Fehler war, in fast neunzig sechs Prozent der Fälle. Um sicherzustellen, dass der Computer nicht nur rät oder auf die falschen Teile des Bildes schaut, nutzten die Forscher eine Technik, die genau hervorhebt, auf welche Bereiche des Bildes sich der Computer bei seiner Entscheidung konzentriert hat. Diese visuellen Karten zeigten, dass der Computer tatsächlich die Tablette und die Beschichtung betrachtete und das Hintergrundrauschen sowie Artefakte ignorierte. Diese Transparenz ist entscheidend, da sie es menschlichen Experten ermöglicht, dem System zu vertrauen und seine Entscheidungen bei Bedarf zu überprüfen.

Der wahre Wert dieser Arbeit liegt darin, wie sie den Arbeitsablauf für Pharmaentwickler verändert. Anstatt Stunden oder Tage damit zu verbringen, tausende Bilder manuell zu überprüfen, kann ein Wissenschaftler nun den Computer die Schwerstarbeit in wenigen Minuten erledigen lassen. Das System markiert nur die fragwürdigen Bilder zur menschlichen Überprüfung, während es offensichtliche Fehler aussortiert und die klaren, nützlichen Daten beibehält. Dies bedeutet nicht, dass der Computer den Experten ersetzt; vielmehr fungiert er als hocheffizienter Filter, der das Rauschen entfernt, sodass der Mensch sich auf die echten Probleme konzentrieren kann, die gelöst werden müssen. Wenn ein Herstellungsprozess stabiler wird und von der Entwicklung in die Routineproduktion übergeht, werden diese Messfehler natürlicherweise seltener und die Notwendigkeit eines solchen Filters nimmt ab. Doch während der kritischen frühen Phasen der Entwicklung neuer Medikamente hilft dieses Werkzeug Wissenschaftlern, schneller und sicherer Entscheidungen zu treffen, was den Weg vom Labor bis zum Apothekenregal beschleunigt.