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

In de wereld van de medicijnproductie is het waarborgen dat elke pil perfect is een kwestie van zowel veiligheid als economie. Een van de krachtigste instrumenten die wetenschappers gebruiken om de kwaliteit van deze pillen te controleren, is een techniek genaamd optische coherentietomografie. Stel je voor dat er een speciaal soort licht op een tablet wordt gericht terwijl deze in een machine rondtolt, waardoor het licht terugkaatst en een gedetailleerd dwarsdoorsneden beeld vormt van het oppervlak van de pil en de dunne laag die eromheen is gewikkeld. Dit proces gebeurt ongelooflijk snel en legt duizenden van deze dwarsdoorsnedenbeelden vast per uur, terwijl de pillen door de productielijn bewegen. Het doel is om de dikte van de coating te meten om ervoor te zorgen dat deze gelijkmatig en consistent is, wat essentieel is voor de manier waarop het medicijn in het lichaam vrijkomt. Omdat de pillen echter willekeurig en snel bewegen, maakt de machine soms verwarrende of misleidende foto's. Deze slechte beelden kunnen lijken op echte problemen met de medicatie, of ze kunnen echte problemen juist verbergen, waardoor er een enorme berg data ontstaat waar menselijke experts handmatig doorheen moeten zoeken om de waarheid te vinden.

Een team onderzoekers aan het Research Center Pharmaceutical Engineering in Oostenrijk zette zich in om deze flessenhals op te lossen. Zij richtten zich op de vroege stadia van de ontwikkeling van nieuwe medicijnen, een tijdstip waarop de machines en de pilformules nog worden afgestemd en daarom vatbaar zijn voor het genereren van deze verwarrende beelden. In deze vroeens fasen kan de apparatuur een stofje, een reflectie van de machinewand of een klont ingrediënten interpreteren als een fout in de coating. Een menselijke expert kan deze fouten gemakkelijk herkennen als hij naar één beeld kijkt, maar wanneer één enkel experiment duizenden beelden produceert, wordt het controleren ervan één voor één een tijdrovende taak die dagen kan duren. De onderzoekers wilden weten of ze een computer konden leren om dit sorteerwerk automatisch te doen, door de echte problemen te scheiden van de valse alarmen, zodat wetenschappers zich alleen kunnen concentreren op de beelden die er echt toe doen.

Om dit te doen, bouwde het team een digitaal brein met behulp van een type kunstmatige intelligentie dat bekend staat als een convolutioneel neuraal netwerk. Ze begonnen met een model dat al had geleerd om duizenden alledaagse objecten te herkennen, zoals katten en auto's, en leerden het vervolgens specifiek om naar de dwarsdoorsnedenbeelden van de pillen te kijken. Ze toonden de computer duizenden voorbeelden van goede en slechte beelden, waardoor de computer de subtiele visuele verschillen tussen een echte coating en een fout kon leren. De slechte beelden die ze tegenkwamen, vielen in een paar specifie specifieke categorieën. Soms kwam een pil te dicht bij de sensor, wat een spiegelbeeld creëerde dat leek op een spookreflectie. Op andere tijden zorgden bepaalde ingrediënten in de pil die licht sterk verstrooien ervoor dat de machine dacht een coatinglaag te zien waar die niet was. In andere gevallen werd coatingmateriaal dat aan de binnenkant van de mengtrommel was blijven plakken, aangezien een onderdeel van de pilcoating. De computer leerde deze patronen te herkennen precies zoals een menselijke expert dat zou doen, maar dan met de snelheid van een machine.

Toen de onderzoekers hun nieuwe hulpmiddel testten, waren de resultaten opmerkelijk. Ze pasten het systeem toe op enorme datasets die duizenden afbeeldingen bevatten van echte coatingproeven. In één experiment met een trommelcoater analyseerde het systeem meer dan zes duizend datapunten. Voordat de computer hielp, leken bijna zevenhonderd van deze punten buiten het normale bereik te liggen, wat suggereerde dat de coating ongelijkmatig was. Nadat de AI door de gegevens had gesorteerd, stelde het vast dat meer dan de helft van die verdachte punten eigenlijk meetfouten waren. Door deze valse alarmen te verwijderen, werd de data veel schoner en de resterende uitschieters vertegenwoordigden echte problemen met het proces in plaats van glitches in de camera. In een andere proef met een fluidised-bed coater verminderde het systeem het aantal verdachte punten ook met meer dan de helft. De gemiddelde variatie in de metingen van de coatingdikte daalde aanzienlijk, wat de wetenschappers een veel duidelijker beeld gaf van hoe het proces daadwerkelijk presteerde.

De nauwkeurigheid van het systeem was ook indrukwekkend. Bij het testen op een set beelden die het nog nooit eerder had gezien, identificeerde de computer correct of een beeld een goede meting of een fout was in bijna zesennegentig procent van de gevallen. Om te garanderen dat de computer niet simpelweg gokte of naar de verkeerde delen van de afbeelding keek, gebruikten de onderzoekers een techniek die precies benadrukt welke gebieden van de foto de computer heeft gebruikt om zijn beslissing te nemen. Deze visuele kaarten lieten zien dat de computer inderdaad naar de pil en de coating keek en de achtergrondruis en artefacten negeerde. Deze transparantie is cruciaal, omdat het menselijke experts in staat stelt om het systeem te vertrouwen en hun beslissingen te verifiëren wanneer dat nodig is.

De werkelijke waarde van dit werk ligt in de manier waarop het de workflow voor farmaceutische ontwikkelaars verandert. In plaats van uren of dagen handmatig duizenden afbeeldingen te beoordelen, kan een wetenschapper de computer nu het zware werk in enkele minuten laten doen. Het systeem markeert alleen de twijfelachtige afbeeldingen voor menselijke controle, terwijl het de overduidelijke fouten wegwerpt en de heldere, nuttige data behoudt. Dit betekent niet dat de computer de expert vervangt; het fungeert eerder als een zeer efficiënt filter dat de ruis verwijdert, waardoor de mens zich kan concentreren op de echte problemen die opgelost moeten worden. Naarmate een productieproces stabieler wordt en overgaat van ontwikkeling naar routinematige productie, worden deze meetfouten van nature minder vaak voorkomend en neemt de behoefte aan een dergelijk filter af. Echter, tijdens de kritieke vroege stadia van het creëren van nieuwe medicijnen, helpt dit hulpmiddel wetenschappers om snellere, meer zelfverzekerde beslissingen te nemen, wat de reis van het laboratorium naar de apotheek versnelt.