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

दवा बनाने की दुनिया में, हर गोली का एकदम सही होना सुरक्षा और अर्थव्यवस्था दोनों के लिए महत्वपूर्ण है। वैज्ञानिकों द्वारा गुणवत्ता की जांच करने के लिए उपयोग किए जाने वाले सबसे शक्तिशाली उपकरणों में से एक तकनीक 'ऑप्टिकल कोहेरेंस टोमोग्राफी' (optical coherence tomography) है। कल्पना कीजिए कि एक मशीन के भीतर लुढ़कती हुई टैबलेट पर एक विशेष प्रकार की रोशनी डाली जा रही है, जिससे प्रकाश वापस परावर्तित होता है और गोली की सतह तथा उसके चारों ओर लिपटी पतली कोटिंग की एक विस्तृत क्रॉस-सेक्शनल तस्वीर बनाता है। यह प्रक्रिया अविश्वसनीय रूप से तेज़ होती है, जो उत्पादन लाइन से गुजरने वाली गोलियों के प्रत्येक क्षण के हजारों क्रॉस-सेक्शनल चित्र कैप्चर करती है। इसका लक्ष्य कोटिंग की मोटाई को मापना है ताकि यह सुनिश्चित किया जा सके कि वह समान और सुसंगत है, जो शरीर में दवा के रिलीज होने के तरीके के लिए अत्यंत महत्वपूर्ण है। हालांकि, क्योंकि गोलियां बेतरतीब ढंग से और तेज़ी से चलती हैं, मशीन कभी-कभी भ्रमित करने वाली या भ्रामक तस्वीरें ले लेती है। ये खराब तस्वीरें दवा में वास्तविक समस्याओं जैसी दिख सकती हैं, या वे वास्तविक समस्याओं को छिपा सकती हैं, जिससे डेटा का एक विशाल ढेर बन जाता है जिसे मानव विशेषज्ञों को सच्चाई खोजने के लिए हाथ से छानना पड़ता है।

ऑस्ट्रिया के रिसर्च सेंटर फार्मास्युटिकल इंजीनियरिंग के शोधकर्ताओं की एक टीम ने इस बाधा को हल करने के लिए हाथ बढ़ाया। उन्होंने नई दवाओं के विकास के शुरुआती चरणों पर ध्यान केंद्रित किया, एक ऐसा समय जब मशीनें और गोलियों के फॉर्मूले अभी भी ट्यूनिंग के दौर में होते हैं और भ्रमित करने वाली छवियां उत्पन्न करने के प्रति संवेदनशील होते हैं। इन शुरुआती चरणों में, उपकरण धूल के कण, मशीन की दीवार से होने वाले प्रतिबिंब, या सामग्री के एक ढेले को कोटिंग में दोष समझ सकता है। एक मानव विशेषज्ञ एक छवि को देखकर इन त्रुटियों को आसानी से पहचान सकता है, लेकिन जब एक एकल प्रयोग हजारों चित्र उत्पन्न करता है, तो उन्हें एक-एक करके जांचना एक उबाऊ कार्य बन जाता है जिसमें कई दिन लग सकते हैं। शोधकर्ता जानना चाहते थे कि क्या वे एक कंप्यूटर को इस छंटनी के काम को स्वचालित रूप से करने के लिए प्रशिक्षित कर सकते हैं, यानी वास्तविक समस्याओं को झूठे अलार्म से अलग कर सकें, ताकि वैज्ञानिक केवल उन्हीं छवियों पर ध्यान केंद्रित कर सकें जो वास्तव में मायने रखती हैं।

इसे करने के लिए, टीम ने एक 'कन्वोल्यूशनल न्यूरल नेटवर्क' (convolutional neural network) नामक कृत्रिम बुद्धिमत्ता (AI) का उपयोग करके एक डिजिटल मस्तिष्क बनाया। उन्होंने एक ऐसे मॉडल से शुरुआत की जिसने पहले से ही बिल्लियों और कारों जैसी हजारों रोजमर्रा की वस्तुओं को पहचानना सीखा था, और फिर उन्होंने इसे विशेष रूप से गोलियों के क्रॉस-सेक्शनल चित्रों को देखने के लिए प्रशिक्षित किया। उन्होंने कंप्यूटर को अच्छी और खराब तस्वीरों के हजारों उदाहरण दिखाए, जिससे उसे वास्तविक कोटिंग और एक गलती के बीच के सूक्ष्म दृश्य अंतरों को सीखने में मदद मिली। उन्हें सामना की गई खराब तस्वीरें कुछ विशिष्ट श्रेणियों में आती थीं। कभी-कभी, एक गोली सेंसर के बहुत करीब से गुजरती थी, जिससे एक दर्पण जैसा प्रतिबिंब बनता था जो एक 'घोस्ट रिफ्लेक्शन' (ghost reflection) जैसा दिखता था। अन्य समय में, गोली की कुछ सामग्रियां जो प्रकाश को मजबूती से बिखेरती हैं, मशीन को यह विश्वास दिलाने के लिए धोखा दे सकती थीं कि उसने वहां कोई कोटिंग परत देखी है जहाँ वास्तव में कुछ नहीं था। अन्य मामलों में, मिक्सिंग ड्रम के अंदर चिपकी हुई कोटिंग सामग्री को गोली की कोटिंग समझ लिया जाता था। कंप्यूटर ने इन पैटर्न को ठीक उसी तरह पहचाना जैसे एक मानव विशेषज्ञ करता है, लेकिन एक मशीन की गति के साथ।

जब शोधकर्ताओं ने अपने नए टूल का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। उन्होंने वास्तविक कोटिंग परीक्षणों से प्राप्त हजारों छवियों वाले विशाल डेटासेट पर इस प्रणाली को लागू किया। ड्रम कोटर (drum coater) से जुड़े एक प्रयोग में, सिस्टम ने छह हजार से अधिक डेटा बिंदुओं का विश्लेषण किया। कंप्यूटर की मदद लेने से पहले, लगभग सात सौ बिंदु सामान्य सीमा से बाहर दिख रहे थे, जिससे संकेत मिल रहा था कि कोटिंग असमान है। AI द्वारा उन्हें छाँटने के बाद, इसने पहचान लिया कि उन संदिग्ध बिंदुओं में से आधे से अधिक वास्तव में माप की त्रुटियां थीं। इन झूठे अलार्मों को हटाकर, डेटा बहुत अधिक साफ हो गया, और शेष आउटलेयर्स (outliers) वास्तविक प्रक्रियाओं की समस्याओं का प्रतिनिधित्व कर रहे थे न कि कैमरे की गड़बड़ियों का। फ्लूइडाइज्ड-बेड कोटर (fluidized-bed coater) के एक अन्य परीक्षण में, सिस्टम ने संदिग्ध बिंदुओं की संख्या को भी आधे से अधिक कम कर दिया। कोटिंग मोटाई के माप में औसत भिन्नता काफी कम हो गई, जिससे वैज्ञानिकों को यह स्पष्ट चित्र मिला कि उनकी प्रक्रिया वास्तव में कैसा प्रदर्शन कर रही है।

सिस्टम की सटीकता भी प्रभावशाली थी। उन छवियों के सेट पर परीक्षण किए जाने पर जिन्हें उसने पहले कभी नहीं देखा था, कंप्यूटर ने लगभग ९६ प्रतिशत मामलों में सही ढंग से पहचाना कि कोई छवि एक अच्छा माप है या एक गलती। यह सुनिश्चित करने के लिए कि कंप्यूटर केवल अनुमान नहीं लगा रहा है या चित्र के गलत हिस्सों को देख रहा है, शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो हाइलाइट करती है कि कंप्यूटर ने अपने निर्णय लेने के लिए चित्र के किन क्षेत्रों पर ध्यान केंद्रित किया। इन विजुअल मैप्स ने दिखाया कि कंप्यूटर वास्तव में गोली और उसकी कोटिंग को देख रहा था, और बैकग्राउंड के शोर और आर्टिफैक्ट्स को अनदेखा कर रहा था। यह पारदर्शिता महत्वपूर्ण है, क्योंकि यह मानव विशेषज्ञों को सिस्टम पर भरोसा करने और आवश्यकतानुसार उनके निर्णयों को सत्यापित करने की अनुमति देती है।

इस कार्य का वास्तविक मूल्य इस बात में निहित है कि यह फार्मास्युटिकल डेवलपर्स के वर्कफ़्लो को कैसे बदल देता है। हजारों छवियों की मैन्युअल रूप से समीक्षा करने में घंटों या दिनों के बजाय, एक वैज्ञानिक अब मिनटों में भारी काम करने के लिए कंप्यूटर को छोड़ सकता है। सिस्टम केवल संदिग्ध छवियों को मानव समीक्षा के लिए चिह्नित करता है, जबकि स्पष्ट त्रुटियों को हटा देता है और उपयोगी डेटा को सुरक्षित रखता है। इसका मतलब यह नहीं है कि कंप्यूटर विशेषज्ञ की जगह ले लेता है; बल्कि, यह एक अत्यधिक कुशल फिल्टर के रूप में कार्य करता है जो शोर को हटा देता है, जिससे मानव वास्तविक समस्याओं पर ध्यान केंद्रित कर पाता है जिन्हें सुलझाने की आवश्यकता है। जैसे-जैसे एक निर्माण प्रक्रिया स्थिर होती जाती है और विकास से नियमित उत्पादन की ओर बढ़ती है, ये माप त्रुटियां स्वाभाविक रूप से दुर्लभ हो जाती हैं, और ऐसे फिल्टर की आवश्यकता कम हो जाती है। हालांकि, नई दवाओं के निर्माण के महत्वपूर्ण शुरुआती चरणों के दौरान, यह उपकरण वैज्ञानिकों को तेजी से और अधिक आत्मविश्वास के साथ निर्णय लेने में मदद करता है, जिससे प्रयोगशाला से फार्मेसी की शेल्फ तक का सफर तेज हो जाता है।