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

医薬品製造の世界において、すべての錠剤が完璧であることを保証することは、安全性と経済性の両面において極めて重要です。科学者がこれらの錠剤の品質を確認するために用いる最も強力なツールのひとつに、光干渉断層計（OCT）と呼ばれる技術があります。特殊な光を、機械の中で回転する錠剤に照射することを想像してみてください。光が跳ね返ってくることで、錠剤の表面やその周囲を包む薄いコーティングの精細な断面画像を作成します。このプロセスは驚異的な速さで行われ、製造ラインを通過する錠剤に合わせて、1時間あたり数千もの断面画像をキャプチャします。目的は、薬が体内でどのように放出されるかに直結する、コーティングの厚さが均一で一定であることを測定することです。しかし、錠レットが不規則かつ高速で移動するため、機械が混乱を招くような、あるいは誤解を招くような写真を撮ってしまうことがあります。これらの「悪い写真」は、まるで医薬品に実在する問題があるかのように見えたり、逆に本当の問題を隠してしまったりすることがあり、人間の専門家が真実を見つけ出すために手作業でふるい分けなければならない膨大なデータの山を生み出します。

オーストリアの製薬エンジニアリング研究センターの研究チームは、このボトルネックを解決するために乗り出しました。彼らは、新しい医薬品の開発初期段階に焦点を当てました。この時期は、機械や錠剤の処方がまだ調整中であり、混乱を招く画像を生成しやすい時期です。この初期段階では、装置が塵の一粒や、機械の壁からの反射、あるいは成分の塊を、コーティングの欠陥として誤認してしまうことがあります。人間の専門家であれば、画像を一枚見ればこうしたエラーを容易に識別できますが、一つの実験から数千枚の画像が生成される場合、それらを一つずつチェックすることは、数日を要するほど退屈で骨の折れる作業となります。研究者たちは、コンピュータにこの仕分け作業を自動化させ、真の問題と誤報を分離することで、科学者が本当に重要な画像だけに集中できるようにできないかと考えました。

これを行うために、チームは畳み込みニューラルネットワークとして知られる人工知能の一種を用いて「デジタル脳」を構築しました。彼らは、猫や車といった日常的な物体をすでに認識できるモデルからスタートし、それを錠剤の断面画像を特化して見るように学習させました。コンピュータに、良い写真と悪い写真の数千もの例を見せ、実際のコーティングとエラーとの間の微妙な視覚的差異を学習させたのです。遭遇した「悪い写真」は、いくつかの特定のカテゴリーに分類されました。例えば、錠レットがセンサーに近すぎたために、ゴースト反射のような鏡像が生じたケースがあります。また、錠レット内の特定の成分が光を強く散乱させることで、コーティング層が存在しない場所に層があるように機械を欺いてしまうこともありました。さらに、混合ドラムの内側に付着したコーティング材が、錠レットのコーティングと間違われることもありました。コンピュータは、人間の専門家と同じようにこれらのパターンを認識することを学びましたが、そのスピードは機械の速さでした。

研究者がこの新しいツールをテストしたところ、驚くべき結果が得られました。彼らは、実際のコーティング試験から得られた数千枚の画像を含む大規模なデータセットにこのシステムを適用しました。ドラムコーターを用いたある実験では、システムは6,000以上のデータポイントを分析しました。コンピュータの助けを借りる前は、約700のポイントが正常範囲外にあるように見え、コーティングが不均一であることを示唆していました。しかし、AIがこれらを仕分けた後、それらの疑わしいポイントの半分以上が、実際には測定エラーであったことが特定されました。これらの誤報を取り除くことで、データは非常にクリーンになり、残った外れ値はカメラの不具合ではなく、プロセスにおける真の問題を表すものとなりました。別の流動層コーターを用いた試行でも、システムは疑わしいポイントを半分以上に削減しました。コーティング厚さの測定値の平均的なばらつきは大幅に減少し、科学者たちはプロセスが実際にどのように機能しているのかについて、より明確な全体像を得ることができました。

システムの精度も印象的でした。見たことがない画像セットに対してテストを行った際、コンピュータは、画像が良好な測定値であるか、あるいは間違いであるかを、96%近い的中率で正しく識別しました。コンピュータが単に推測しているだけなのか、あるいは画像の誤った部分を見ているだけではないかを確実にするため、研究者たちは、コンピュータが決定を下す際に画像のどの領域に注目したかを強調する手法を用いました。これらの視覚的なマップは、コンピュータが背景ノイズやアーティファクトを無視し、実際に錠レットとそのコーティングを見ていることを示していました。この透明性は極めて重要であり、これにより人間の専門家がシステムを信頼し、必要に応じてその決定を検証することを可能にします。

この研究の真の価値は、それが製薬開発のワークフローをどのように変えるかという点にあります。科学者は、何千枚もの画像を数時間あるいは数日かけて手作業でレビューする代わりに、今やコンピュータに数分で重労働を任せることができます。このシステムは、疑問のある画像のみを人間のレビュー用にフラグ立てし、明らかなエラーを破棄して、明確で有用なデータのみを保持します。これは、コンピュータが専門家に取って代わることを意味するのではなく、むしろ、ノイズを取り除く非常に効率的なフィルターとして機能し、人間が解決すべき真の問題に集中できるようにするものです。製造プロセスが安定し、開発から日常的な生産へと移行するにつれ、これらの測定エラーは自然と減少するため、このようなフィルターの必要性は低くなります。しかし、新しい医薬品を創り出す重要な初期段階において、このツールは科学者がより迅速かつ自信を持って意思決定を行うことを助け、研究所から薬局の棚へと至る道のりを加速させるのです。