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

의약품 제조의 세계에서 모든 알약이 완벽하도록 보장하는 것은 안전과 경제성 모두의 문제입니다. 과학자들이 이 알약들의 품질을 점검하기 위해 사용하는 가장 강력한 도구 중 하나는 광학 간섭 단층 촬영(optical coherence tomography)이라고 불리는 기술입니다. 알약이 기계 안에서 구르는 동안 특수한 종류의 빛을 알약에 비추어, 그 빛이 반사되어 돌아오게 함으로써 알약의 표면과 그 주변을 감싸고 있는 얇은 코팅의 상세한 단면 영상을 만드는 모습을 상상해 보십시오. 이 과정은 믿기 힘들 정도로 빠르게 진행되며, 알약이 제조 라인을 통과하는 동안 시간당 수천 개의 이러한 단면 영상을 포착합니다. 목표는 코팅의 두께를 측정하여 그것이 균일하고 일관적인지 확인하는 것인데, 이는 약물이 체내에서 어떻게 방출되는지에 매우 중요합니다. 하지만 알약이 무작위로 빠르게 움직이기 때문에, 기계가 때때로 혼란스럽거나 오해를 불러일으킬 수 있는 사진을 찍기도 합니다. 이러한 나쁜 사진들은 의약품의 실제 결함처럼 보이거나, 혹은 실제 문제를 숨겨버릴 수도 있어, 인간 전문가가 진실을 찾기 위해 일일이 손으로 걸러내야 하는 거대한 데이터 더미를 만들어냅니다.

오스트리아의 연구 센터 파마슈티컬 엔지니어링(Research Center Pharmaceutical Engineering)의 연구진은 이 병목 현상을 해결하기 위해 나섰습니다. 그들은 새로운 의약품을 개발하는 초기 단계, 즉 기계와 알약 배합이 여전히 조정 중이며 오류가 발생하기 쉬운 시점에 집중했습니다. 이 초기 단계에서는 장비가 먼지 한 점, 기계 벽면의 반사, 또는 성분의 뭉침을 코팅의 결함으로 잘못 해석할 수 있습니다. 인간 전문가는 이미지 하나를 볼 때 이러한 오류를 쉽게 찾아낼 수 있지만, 단 하나의 실험에서 수천 개의 이미지가 생성될 때 이를 하나하나 확인하는 것은 며칠이 걸릴 수도 있는 지루한 작업이 됩니다. 연구진은 컴퓨터가 이 분류 작업을 자동으로 수행하여, 진짜 문제와 가짜 경보를 분리함으로써 과학자들이 정말 중요한 이미지에만 집중할 수 있도록 가르칠 수 있을지 알고 싶었습니다.

이를 위해 연구팀은 합성곱 신경망(convolutional neural network)이라 알려진 인공지능의 일종을 사용하여 디지털 두뇌를 구축했습니다. 그들은 고양이와 자동차 같은 수천 가지의 일상적인 사물을 이미 인식할 수 있도록 학습된 모델로 시작하여, 이를 알약의 단면 영상을 전문적으로 살펴보도록 가르쳤습니다. 그들은 컴퓨터에게 수천 개의 좋은 사진과 나쁜 사진의 예시를 보여주며, 실제 코팅과 실수 사이의 미묘한 시각적 차이를 학습하게 했습니다. 그들이 마주한 나쁜 사진들은 몇 가지 특정 범주로 나뉘었습니다. 때로는 알약이 센서에 너무 가깝게 지나가서 유령 같은 반사 이미지를 만드는 거울 이미지가 생성되었습니다. 또 다른 경우에는 알약 내부의 특정 성분이 빛을 강하게 산란시켜, 기계가 코팅 층이 없는 곳에 코팅 층이 있는 것처럼 착각하게 만들었습니다. 또한 혼합 드럼 내부에 달라붙은 코팅 재료가 알약의 코팅으로 오인되기도 했습니다. 컴퓨터는 인간 전문가와 똑같이 이러한 패턴을 인식하는 법을 배웠지만, 기계의 속도로 수행했습니다.

연구진이 이 새로운 도구를 테스트했을-때 결과는 놀라웠습니다. 그들은 실제 코팅 실험에서 얻은 수천 개의 이미지가 포함된 방대한 데이터 세트에 이 시스템을 적용했습니다. 드럼 코터(drum coater)를 이용한 한 실험에서, 이 시스템은 6,000개 이상의 데이터 포인트를 분석했습니다. 컴퓨터의 도움을 받기 전에는 거의 700개의 지점이 정상 범위를 벗어난 것처럼 보여 코팅이 불균일함을 시사했습니다. AI가 이를 분류한 후, 의심스러운 지점 중 절반 이상이 실제로는 측정 오류였음을 식별해 냈습니다. 이러한 가짜 경보를 제거함으로써 데이터는 훨씬 깨끗해졌으며, 남은 이상치들은 기계의 결함이 아닌 공정상의 실제 문제를 나타냈습니다. 유동층 코터(fluidized-bed coater)를 사용한 또 다른 실험에서도 시스템은 의심스러운 지점의 수를 절반 이상 줄였습니다. 코팅 두께 측정값의 평균 변동폭이 크게 감소하여, 과학자들에게 공정이 실제로 어떻게 작동하고 있는지에 대한 훨씬 명확한 그림을 제공했습니다.

시스템의 정확도 또한 인상적이었습니다. 한 번도 본 적 없는 이미지 세트로 테스트했을 때, 컴퓨터는 약 96%의 확률로 이미지가 좋은 측정값인지 아니면 실수인지 정확하게 식별했습니다. 컴퓨터가 단순히 추측하거나 이미지의 엉뚱한 부분을 보고 있는 것이 아님을 확인하기 위해, 연구진은 컴퓨터가 결정을 내리기 위해 사진의 정확히 어느 영역에 집중했는지를 강조해 주는 기술을 사용했습니다. 이러한 시각적 지도는 컴퓨터가 배경 소음과 아티팩트(artifact)를 무시하고 실제로 알약과 코팅을 보고 있었음을 보여주었습니다. 이러한 투명성은 매우 중요한데, 이는 인간 전문가가 시스템을 신뢰하고 필요할 때 그 결정을 검증할 수 있게 해주기 때문입니다.

이 연구의 진정한 가치는 이것이 제약 개발자들의 워크플로우를 어떻게 변화시키는지에 있습니다. 과학자들은 이제 수천 장의 이미지를 수동으로 검토하며 몇 시간 또는 며칠을 보내는 대신, 단 몇 분 만에 컴퓨터가 힘든 일을 처리하도록 할 수 있습니다. 이 시스템은 의심스러운 이미지만 표시하여 인간의 검토를 요청하고, 명백한 오류는 버리며, 명확하고 유용한 데이터는 유지합니다. 이것은 컴퓨터가 전문가를 대체한다는 의미가 아닙니다. 오히려 노이즈를 제거하는 매우 효율적인 필터 역할을 하여, 인간이 해결해야 할 진짜 문제에 집중할 수 있도록 돕는 것입니다. 제조 공정이 안정화되어 개발 단계에서 일상적인 생산 단계로 넘어가면 이러한 측정 오류는 자연스럽게 드물어지며, 이러한 필터의 필요성도 줄어듭니다. 그러나 새로운 의약품을 만드는 결정적인 초기 단계에서, 이 도구는 과학자들이 더 빠르고 확신 있는 결정을 내릴 수 있도록 도와 실험실에서 약국 선반에 도달하는 여정을 가속화합니다.