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

En el mundo de la fabricación de medicamentos, asegurar que cada píldora sea perfecta es una cuestión tanto de seguridad como de economía. Una de las herramientas más poderosas que los científicos utilizan para comprobar la calidad de estas píldoras es una técnica llamada tomografía de coherencia óptica. Imagine proyectar un tipo especial de luz sobre un comprimido mientras este gira dentro de una máquina, permitiendo que la luz rebote y cree una imagen transversal detallada de la superficie de la píldora y de la fina capa que la envuelve. Este proceso ocurre increíblemente rápido, capturando miles de estas imágenes transversales cada hora mientras las píldoras se desplazan por la línea de fabricación. El objetivo es medir el grosor del recubrimiento para asegurar que sea uniforme y constante, lo cual es vital para cómo el medicamento se libera en el cuerpo. Sin embargo, debido a que las píldoras se mueven de forma aleatoria y rápida, la máquina a veces toma fotografías que son confusas o engañosas. Estas malas imágenes pueden parecer problemas reales con el medicamento, o pueden ocultar problemas reales, creando una enorme pila de datos que los expertos humanos deben filtrar a mano para encontrar la verdad.

Un equipo de investigadores del Centro de Investigación de Ingeniería Farmacéutica en Austria se propuso resolver este cuello de botella. Se centraron en las etapas iniciales del desarrollo de nuevos medicamentos, un momento en el que las máquinas y las fórmulas de las píldoras aún se están ajustando y son propensas a generar estas imágenes confusas. En estas fases iniciales, el equipo podría malinterpretar una mota de polvo, un reflejo de la pared de la máquina o un grumo de ingredientes como un defecto en el recubrimiento. Un experto humano puede detectar estos errores fácilmente si observa una sola imagen, pero cuando un solo experimento produce miles de imágenes, revisarlas una por una se convierte en una tarea tediosa que puede llevar días. Los investigadores querían saber si podían enseñar a una computadora a realizar este trabajo de clasificación automáticamente, separando los problemas genuinos de las falsas alarmas para que los científicos pudieran concentrarse solo en las imágenes que realmente importaban.

Para lograrlo, el equipo construyó un cerebro digital utilizando un tipo de inteligencia artificial conocida como red neuronal convolucional. Comenzaron con un modelo que ya había aprendido a reconocer miles de objetos cotidianos, como gatos y coches, y luego le enseñaron específicamente a observar las imágenes transversales de las píldoras. Mostraron a la computadora miles de ejemplos de buenas imágenes y malas imágenes, permitiéndole aprender las sutiles diferencias visuales entre un recubrimiento real y un error. Las malas imágenes que encontraron caían en algunas categorías específicas. A veces, una píldora pasaba demasiado cerca del sensor, creando una imagen de espejo que parecía un reflejo fantasma. Otras veces, ciertos ingredientes en la píldora que dispersan la luz fuertemente engañaban a la máquina haciéndole creer que veía una capa de recubrimiento donde no la había. En otros casos, el material de recubrimiento que se había quedado pegado al interior del tambor de mezcla era confundido con el recubrimiento de la píldora. La computadora aprendió a reconocer estos patrones tal como lo haría un experto humano, pero con la velocidad de una máquina.

Cuando los investigadores probaron su nueva herramienta, los resultados fueron sorprendentes. Aplicaron el sistema a conjuntos de datos masivos que contenían miles de imágenes de ensayos de recubrimiento reales. En un experimento que involucraba un recubridor de tambor, el sistema analizó más de seis mil puntos de datos. Antes de que la computadora ayudara, casi setecientos de estos puntos parecían estar fuera del rango normal, lo que sugería que el recubrimiento era irregular. Después de que la IA clasificara los datos, identificó que más de la mitad de esos puntos sospechosos eran en realidad errores de medición. Al eliminar estas falsas alarmas, los datos se volvieron mucho más limpios, y los valores atípicos restantes representaban problemas reales con el proceso en lugar de fallos en la cámara. En otro ensayo con un recubridor de lecho fluido, el sistema también redujo la cantidad de puntos sospechosos a menos de la mitad. La variación promedio en las mediciones del grosor del recubrimiento disminuyó significativamente, dando a los científicos una imagen mucho más clara de cómo estaba funcionando realmente el proceso.

La precisión del sistema también fue impresionante. Cuando se probó en un conjunto de imágenes que nunca había visto, la computadora identificó correctamente si una imagen era una buena medición o un error en casi el noventa y seis por ciento de los casos. Para asegurar que la computadora no estuviera simplemente adivinando o mirando las partes incorrectas de la imagen, los investigadores utilizaron una técnica que resalta exactamente qué áreas de la foto utilizó la computadora para tomar su decisión. Estos mapas visuales demostraron que la computadora estaba, de hecho, mirando la píldora y el recubrimiento, ignorando el ruido de fondo y los artefactos. Esta transparencia es crucial, ya que permite a los expertos humanos confiar en el sistema y verificar sus decisiones cuando sea necesario.

El verdadero valor de este trabajo reside en cómo cambia el flujo de trabajo para los desarrolladores farmacéuticos. En lugar de pasar horas o días revisando manualmente miles de imágenes, un científico ahora puede dejar que la computadora haga el trabajo pesado en cuestión de minutos. El sistema marca solo las imágenes cuestionables para la revisión humana, mientras descarta los errores obvios y conserva los datos claros y útiles. Esto no significa que la computadora reemplace al experto; más bien, actúa como un filtro altamente eficiente que elimina el ruido, permitiendo que el humano se concentre en los problemas genuinos que necesitan solución. A medida que un proceso de fabricación se vuelve más estable y pasa del desarrollo a la producción rutinaria, estos errores de medición se vuelven naturalmente más raros y la necesidad de tal filtro disminuye. Sin embargo, durante las etapas críticas de creación de nuevos medicamentos, esta herramienta ayuda a los científicos a tomar decisiones más rápidas y seguras, acelerando el viaje desde el laboratorio hasta el estante de la farmacia.