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

No mundo da fabricação de medicamentos, garantir que cada comprimido seja perfeito é uma questão tanto de segurança quanto de economia. Uma das ferramentas mais poderosas que os cientistas utilizam para verificar a qualidade desses comprimidos é uma técnica chamada tomografia de coerência óptica. Imagine projetar um tipo especial de luz sobre um tablet enquanto ele tomba dentro de uma máquina, permitindo que a luz ricocheteie e crie uma imagem transversal detalhada da superfície do comprimido e da fina camada de revestimento que o envolve. Esse processo acontece incrivelmente rápido, capturando milhares dessas imagens transversais a cada hora enquanto os comprimidos se moveem pela linha de produção. O objetivo é medir a espessura do revestimento para garantir que seja uniforme e consistente, o que é vital para a forma como o medicamento é liberado no corpo. No entanto, como os comprimidos se movem de forma aleatória e rápida, a máquina às vezes tira fotos que são confusas ou enganosas. Essas fotos ruins podem parecer problemas reais no medicamento, ou podem esconder problemas reais, criando uma enorme pilha de dados que especialistas humanos devem filtrar manualmente para encontrar a verdade.

Uma equipe de pesquisadores do Centro de Pesquisa em Engenharia Farmacêutica, na Áustria, decidiu resolver esse gargalo. Eles focaram nas fases iniciais de desenvolvimento de novos medicamentos, um momento em que as máquinas e as fórmulas dos comprimidos ainda estão sendo ajustadas e são propensas a gerar essas imagens confusas. Nessas fases iniciais, o equipamento pode interpretar erroneamente um grão de poeira, um reflexo da parede da máquina ou um aglomerado de ingredientes como uma falha no revestimento. Um especialista humano consegue identificar esses erros facilmente se olhar para uma única imagem, mas quando um único experimento produz milhares de imagens, verificar uma por uma torna-se uma tarefa tediosa que pode levar dias. Os pesquisadores queriam saber se poderiam ensinar um computador a fazer esse trabalho de classificação automaticamente, separando os problemas genuínos dos alarmes falsos para que os cientistas pudessem focar apenas nas imagens que realmente importavam.

Para fazer isso, a equipe construiu um cérebro digital usando um tipo de inteligência artificial conhecida como rede neural convolucional. Eles começaram com um modelo que já havia aprendido a reconhecer milhares de objetos comuns, como gatos e carros, e depois o ensinaram especificamente a observar as imagens transversais dos comprimidos. Eles mostraram ao computador milhares de exemplos de fotos boas e fotos ruins, deixando-o aprender as sutis diferenças visuais entre um revestimento real e um erro. As fotos ruins que encontraram dividiam-se em algumas categorias específicas. Às vezes, um comprimido passava muito perto do sensor, criando uma imagem espelhada que parecia um reflexo fantasmagórico. Outras vezes, certos ingredientes no comprimido que dispersam a luz fortemente enganavam a máquina, fazendo-a pensar que via uma camada de revestimento onde não havia nada. Em outros casos, o material de revestimento que havia grudado no interior do tambor de mistura era confundido com o revestimento do comprimido. O computador aprendeu a reconhecer esses padrões exatamente como um especialista humano faria, mas com a velocidade de uma máquina.

Quando os pesquisadores testaram sua nova ferramenta, os resultados foram impressionantes. Eles aplicaram o sistema a conjuntos de dados massivos contendo milhares de imagens de ensaios reais de revestimento. Em um experimento envolvendo um revestidor de tambor, o sistema analisou mais de seis mil pontos de dados. Antes de o computador ajudar, quase setecentos desses pontos pareciam estar fora da faixa normal, sugerindo que o revestimento estava irregular. Após o IA filtrar os dados, identificou que mais da metade daqueles pontos suspeitos eram, na verdade, apenas erros de medição. Ao remover esses alarmes falsos, os dados tornaram-se muito mais limpos, e os valores discrepantes restantes representavam problemas reais do processo, e não falhas na câmera. Em outro teste com um revestidor de leito fluidizado, o sistema também reduziu os pontos suspeitos em mais da metade. A variação média nas medições da espessura do revestimento diminuiu significativamente, dando aos cientistas uma visão muito mais clara de como o processo estava realmente performando.

A precisão do sistema também foi impressionante. Quando testado em um conjunto de imagens que nunca tinha visto antes, o computador identificou corretamente se uma imagem era uma medição boa ou um erro em quase noventa e seis por cento dos casos. Para garantir que o computador não estava apenas adivinhando ou olhando para as partes erradas da imagem, os pesquisadores utilizaram uma técnica que destaca exatamente quais áreas da foto o computador focou para tomar sua decisão. Esses mapas visuais mostraram que o computador estava, de fato, olhando para o comprimido e para o revestimento, ignorando o ruído de fundo e os artefatos. Essa transparência é crucial, pois permite que os especialistas humanos confiem no sistema e verifiquem suas decisões quando necessário.

O verdadeiro valor deste trabalho reside em como ele altera o fluxo de trabalho para os desenvolvedores farmacêuticos. Em vez de passar horas ou dias revisando manualmente milhares de imagens, um cientista pode agora deixar o trabalho pesado com o computador em questão de minutos. O sistema sinaliza apenas as imagens questionáveis para revisão humana, enquanto descarta os erros óbvios e mantém os dados claros e úteis. Isso não significa que o computador substitui o especialista; pelo contrário, ele atua como um filtro altamente eficiente que remove o ruído, permitindo que o humano foque nos problemas genuínos que precisam de solução. À medida que um processo de fabricação se torna mais estável e passa do desenvolvimento para a produção rotineira, esses erros de medição naturalmente tornam-se mais raros, e a necessidade de tal filtro diminui. No entanto, durante as fases críticas de criação de novos medicamentos, esta ferramenta ajuda os cientistas a tomar decisões mais rápidas e confiáveis, acelerando a jornada do laboratório até a prateleira da farmácia.