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

Dans le monde de la fabrication de médicaments, s'assurer que chaque comprimé est parfait est une question à la fois de sécurité et d'économie. L'un des outils les plus puissants que les scientifiques utilisent pour vérifier la qualité de ces comprimés est une technique appelée tomographie en cohérence optique. Imaginez projeter une lumière spéciale sur un cachet tandis qu'il bascule à l'intérieur d'une machine, permettant à la lumière de rebondir pour créer une image transversale détaillée de la surface du comprimé et de la fine couche de l'enrobage qui l'entoure. Ce processus se déroule incroyablement vite, capturant des milliers de ces images transversales chaque heure au fur et à mesure que les comprimés circulent sur la ligne de fabrication. Le but est de mesurer l'épaisseur de l'enrobage pour s'assurer qu'il est uniforme et constant, ce qui est vital pour la manière dont le médicament est libéré dans l'organisme. Cependant, parce que les comprimés se déplacent de manière aléatoire et rapide, la machine prend parfois des photos confuses ou trompeuses. Ces mauvaises images peuvent ressembler à de vrais problèmes avec le médicament, ou peuvent masquer de vrais problèmes, créant une pile massive de données que les experts humains doivent trier manuellement pour trouver la vérité.

Une équipe de chercheurs du Centre de recherche en ingénierie pharmaceutique en Autriche s'est donné pour mission de résoudre ce goulot d'étranglement. Ils se sont concentrés sur les premières étapes du développement de nouveaux médicaments, une période où les machines et les formules de comprimés sont encore en cours d'ajustement et sont sujettes à générer ces images confuses. Dans ces phases initiales, l'équipement peut interpréter par erreur un grain de poussière, un reflet de la paroi de la machine ou un amas d'ingrédients comme un défaut de l'enrobage. Un expert humain peut repérer ces erreurs facilement s'il regarde une seule image, mais lorsqu'un seul essai produit des milliers d'images, la vérification une par une devient une tâche fastidieuse qui peut prendre des jours. Les chercheurs voulaient savoir s'ils pouvaient apprendre à un ordinateur à effectuer ce travail de tri automatiquement, en séparant les problèmes réels des fausses alertes afin que les scientifiques puissent se concentrer uniquement sur les images qui comptent vraiment.

Pour ce faire, l'équipe a construit un cerveau numérique utilisant un type d'intelligence artificielle connu sous le nom de réseau de neurones convolutifs. Ils ont commencé avec un modèle qui avait déjà appris à reconnaître des milliers d'objets du quotidien, comme des chats et des voitures, puis ils l'ont enseigné spécifiquement à observer les images transversales des comprimés. Ils ont montré à l'ordinateur des milliers d'exemples de bonnes images et de mauvaises images, le laissant apprendre les subtiles différences visuelles entre un véritable enrobage et une erreur. Les mauvaises images rencontrées appartenaient à quelques catégories spécifiques. Parfois, un comprimé passait trop près du capteur, créant une image miroir qui ressemblait à un reflet fantôme. D'autres fois, certains ingrédients du comprimé qui diffusent fortement la lumière trompaient la machine en lui faisant croire qu'elle voyait une couche d'enrobage là où il n'y en avait pas. Dans d'autres cas, du matériel d'enrobage qui s'était collé à l'intérieur du tambour de mélange était confondu avec l'enrobage d'un comprimé. L'ordinateur a appris à reconnaître ces motifs tout comme un expert humain, mais avec la vitesse d'une machine.

Lorsque les chercheurs ont testé leur nouvel outil, les résultats ont été frappants. Ils ont appliqué le système à des ensembles de données massifs contenant des milliers d'images provenant de véritables essais d'enrobage. Dans une expérience impliquant un enrobeur à tambour, le système a analysé plus de six mille points de données. Avant que l'ordinateur ne vienne aider, près de sept cents de ces points semblaient être hors de la plage normale, suggérant que l'enrobage était irrégulier. Après que l'IA a trié ces données, elle a identifié que plus de la moitié de ces points suspects étaient en réalité de simples erreurs de mesure. En éliminant ces fausses alertes, les données sont devenues beaucoup plus propres, et les valeurs aberrantes restantes représentaient de réels problèmes de processus plutôt que des bugs de la caméra. Dans un autre essai avec un enrobeur à lit fluidisé, le système a également réduit de plus de la moitié le nombre de points suspects. La variation moyenne des mesures d'épaisseur de l'enrobage a considérablement chuté, donnant aux scientifiques une image beaucoup plus claire de la performance réelle du processus.

La précision du système était également impressionnante. Lorsqu'il a été testé sur un ensemble d'images qu'il n'avait jamais vues auparavant, l'ordinateur a correctement identifié si une image était une bonne mesure ou une erreur dans près de quatre-vingt-seize pour cent des cas. Pour s'assurer que l'ordinateur ne se contentait pas de deviner ou ne regardait pas les mauvaises parties de l'image, les chercheurs ont utilisé une technique qui met en évidence précisément les zones de l'image sur lesquelles l'ordinateur s'est concentré pour prendre sa décision. Ces cartes visuelles ont montré que l'ordinateur regardait effectivement le comprimé et l'enrobage, ignorant le bruit de fond et les artefacts. Cette transparence est cruciale, car elle permet aux experts humains de faire confiance au système et de vérifier ses décisions si nécessaire.

La véritable valeur de ce travail réside dans la façon dont il transforme le flux de travail des développeurs pharmaceutiques. Au lieu de passer des heures ou des jours à examiner manuellement des milliers d'images, un scientifique peut désormais laisser l'ordinateur faire le gros du travail en quelques minutes. Le système signale uniquement les images douteuses pour examen humain, tout en écartant les erreurs évidentes et en conservant les données claires et utiles. Cela ne signifie pas que l'ordinateur remplace l'expert ; il agit plutôt comme un filtre hautement efficace qui élimine le bruit, permettant à l'humain de se concentrer sur les problèmes réels qui nécessitent une solution. À mesure qu'un processus de fabrication devient plus stable et passe du développement à la production de routine, ces erreurs de mesure deviennent naturellement plus rares, et le besoin d'un tel filtre diminue. Cependant, lors des étapes critiques de création de nouveaux médicaments, cet outil aide les scientifiques à prendre des décisions plus rapides et plus sûres, accélérant ainsi le voyage du laboratoire jusqu'à l'étagère de la pharmacie.