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

Nel mondo della produzione di medicinali, garantire che ogni pillola sia perfetta è una questione sia di sicurezza che di economia. Uno degli strumenti più potenti che gli scienziati utilizzano per controllarne la qualità è una tecnica chiamata tomografia a coerenza ottica. Immaginate di proiettare un tipo speciale di luce su una compressa mentre questa rotola all'interno di un macchinario, permettendo alla luce di rimbalzare e creare un'immagine dettagliata della sezione trasversale della superficie della pillola e del sottile rivestimento che la avvolge. Questo processo avviene incredibilmente velocemente, catturando migliaia di queste immagini trasversali ogni ora mentre le pillole si muovono lungo la linea di produzione. L'obiettivo è misurare lo spessore del rivestimento per garantire che sia uniforme e costante, il che è fondamentale per il modo in cui il medicinale viene rilasciato nell'organismo. Tuttavia, poiché le pillole si muovono in modo casuale e veloce, la macchina a volte scatta immagini confuse o fuorvianti. Queste brutte immagini possono sembrare problemi reali del medicinale o possono nascondere problemi reali, creando una massa enorme di dati che gli esperti umani devono setacciare a mano per trovare la verità.

Un team di ricercatori presso il Centro di Ricerca per l'Ingegneria Farmaceutica in Austria si è posto l'obiettivo di risolvere questo collo di bottiglia. Si sono concentrati sulle fasi iniziali dello sviluppo di nuovi medicinali, un momento in cui le macchine e le formule delle pillole sono ancora in fase di calibrazione e sono soggette alla generazione di queste immagini confuse. In queste fasi iniziali, l'apparecchiatura potrebbe interpretare erroneamente un granello di polvere, un riflesso dalla parete della macchina o un grumo di ingredienti come un difetto nel rivestimento. Un esperto umano può individuare questi errori facilmente se guarda una singola immagine, ma quando un singolo esperimento produce migliaia di immagini, controllarle una per una diventa un compito tedioso che può richiedere giorni. I ricercatori volevano sapere se potevano insegnare a un computer di svolgere questo lavoro di smistamento automaticamente, separando i problemi genuini dai falsi allarmi in modo che gli scienziati potessero concentrarsi solo sulle immagini che contavano davvero.

Per farlo, il team ha costruito un cervello digitale utilizzando un tipo di intelligenza artificiale nota come rete neurale convoluzionale. Sono partiti con un modello che aveva già imparato a riconoscere migliaia di oggetti comuni, come gatti e auto, e poi hanno insegnato specificamente al computer a guardare le immagini trasversali delle pillole. Hanno mostrato al computer migliaia di esempi di buone immagini e brutte immagini, lasciandogli apprendere le sottili differenze visive tra un rivestimento reale e un errore. Le brutte immagini incontrate rientravano in alcune categorie specifiche. A volte, una pillola passava troppo vicino al sensore, creando un'immagine speculare che sembrava un riflesso fantasma. Altre volte, certi ingredienti nella pillola che disperdono la luce fortemente ingannavano la macchina facendole credere di aver visto uno strato di rivestimento dove non c'era. In altri casi, del materiale di rivestimento che si era attaccato all'interno del tamburo di miscelazione veniva scambiato per un rivestimento della pillola. Il computer ha imparato a riconoscere questi schemi proprio come farebbe un esperto umano, ma con la velocità di una macchina.

Quando i ricercatori hanno testato il loro nuovo strumento, i risultati sono stati sorprendenti. Hanno applicato il sistema a enormi dataset contenenti migliaia di immagini da prove di rivestimento reali. In un esperimento che coinvolgeva un rivestitore a tamburo, il sistema ha analizzato oltre seimila punti dati. Prima che il computer aiutasse, quasi settecento di questi punti sembravano essere fuori dall'intervallo normale, suggerendo che il rivestimento fosse irregolare. Dopo che l'IA ha smistato i dati, ha identificato che più della metà di quei punti sospetti erano in realtà solo errori di misurazione. Rimuovendo questi falsi allarmi, i dati sono diventati molto più puliti e gli outlier rimanenti rappresentavano problemi reali del processo piuttosto che glitch della telecamera. In un altro test con un rivestitore a letto fluido, il sistema ha ridotto di oltre la metà anche il numero di punti sospetti. La variazione media nelle misurazioni dello spessore del rivestimento è diminuita significativamente, fornendo agli scienziati un quadro molto più chiaro di come il processo stesse effettivamente operando.

Anche l'accuratezza del sistema è stata impressionante. Quando testato su un insieme di immagini che non aveva mai visto prima, il computer ha identificato correttamente se un'immagine era una buona misurazione o un errore in quasi il novantasei percento dei casi. Per garantire che il computer non stesse solo tirando a indovinare o guardando le parti sbagliate dell'immagine, i ricercatori hanno utilizzato una tecnica che evidenzia esattamente quali aree della foto il computer ha focalizzato per prendere la sua decisione. Queste mappe visive hanno dimostrato che il computer stava effettivamente guardando la pillola e il rivestimento, ignorando il rumore di fondo e gli artefatti. Questa trasparenza è cruciale, poiché permette agli esperti umani di fidarsi del sistema e di verificare le sue decisioni quando necessario.

Il vero valore di questo lavoro risiede nel modo in cui cambia il flusso di lavoro per gli sviluppatori farmaceutici. Invece di passare ore o giorni a revisionare manualmente migliaia di immagini, uno scienziato può ora lasciare che il computer faccia il lavoro pesante in pochi minuti. Il sistema segnala solo le immagini problematiche per la revisione umana, scartando gli errori ovvi e mantenendo i dati chiari e utili. Questo non significa che il computer sostituisca l'esperto; piuttosto, agisce come un filtro altamente efficiente che rimuove il rumore, permettendo all'essere umano di concentrarsi sui problemi genuini che devono essere risolti. Man mano che un processo di produzione diventa più stabile e passa dallo sviluppo alla produzione di routine, questi errori di misurazione diventano naturalmente più rari, e la necessità di un tale filtro diminuisce. Tuttavia, durante le fasi critiche di creazione di nuovi medicinali, questo strumento aiuta gli scienziati a prendere decisioni più veloci e sicure, accelerando il viaggio dal laboratorio allo scaffale della farmacia.