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

在制药领域，确保每一粒药丸都完美无瑕既是安全问题，也是经济问题。科学家用来检查这些药丸质量的最有力工具之一是一种叫做光学相干断层扫描（optical coherence tomography）的技术。想象一下，将一种特殊的光线投射到在机器内翻滚的药片上，让光线反射回来，从而创建出药丸表面及其包裹着的薄涂层的详细横截面图像。这个过程发生得极其迅速，在药丸通过生产线时，每小时能捕捉数千张这样的横截面图像。其目标是测量涂层的厚度，以确保其均匀一致，这对于药物如何在体内释放至关重要。然而，由于药丸的移动是随机且快速的，机器有时会拍摄出令人困惑或具有误导性的图像。这些糟糕的图像可能看起来像是药物本身存在真实问题，或者它们可能会掩盖真实的缺陷，从而产生海量的数据，必须由人类专家进行手工筛选才能找到真相。

奥地利研究中心（Research Center Pharmaceutical Engineering）的一个研究小组致力于解决这一瓶颈。他们将重点放在新药开发的早期阶段，在这个阶段，机器和药丸配方仍在调整中，容易产生这些令人困惑的图像。在这些早期阶段，设备可能会将一粒尘埃、来自机器壁的反射或成分团块误认为是涂层缺陷。如果人类专家看一张图像，可以很容易地识别出这些错误，但当单次实验产生数千张图像时，逐一检查就变成了一项枯燥的任务，可能耗时数日。研究人员想知道是否可以教计算机自动完成这种分类工作，将真正的缺陷与虚假报警区分开来，以便科学家只需专注于真正重要的图像。

为了实现这一点，该团队利用一种被称为卷积神经网络（convolutional neural network）的人工智能技术构建了一个“数字大脑”。他们首先使用了一个已经学会识别成千上万种日常物体（如猫和汽车）的模型，然后专门教它去观察药丸的横截面图像。他们向计算机展示了数千个“好图像”和“坏图像”的例子，让它学习真实涂层与错误图像之间的细微视觉差异。他们遇到的坏图像可以分为几种特定类别。有时，药丸离传感器太近，产生了一个看起来像幽灵反射的镜像；有时，药丸中的某些强散射成分会误导机器，使其认为在不存在涂层层的地方看到了涂层；在其他情况下，粘在混合鼓内部的涂层材料会被误认为是药丸涂层。计算机学习识别这些模式的方式就像人类专家一样，但具备机器的速度。

当研究人员测试他们的这个新工具时，结果令人瞩目。他们将该系统应用于包含真实涂层试验中数千张图像的海量数据集。在一次涉及转鼓涂层机（drum coater）的实验中，该系统分析了超过六千个数据点。在计算机介入之前，近七百个数据点看起来超出了正常范围，表明涂层不均匀。在人工智能对这些数据进行分类后，它识别出其中一半以上的可疑点实际上只是测量误差。通过剔除这些虚假报警，数据变得更加干净，剩下的异常值代表的是工艺过程中的真实问题，而非摄像机的故障。在另一次流化床涂层机（fluidized-bed coater）的试验中，该系统同样减少了一半以上的可疑点。涂层厚度测量的平均偏差显著下降，为科学家提供了关于工艺实际表现的更清晰图景。

该系统的准确性也令人印象深刻。当在从未见过的图像集上进行测试时，计算机在接近 96% 的案例中正确识别了图像是有效测量还是错误图像。为了确保计算机不是在瞎猜或关注图像的错误部分，研究人员使用了一种技术，可以高亮显示计算机做出决策时所关注的具体区域。这些视觉图谱显示，计算机确实是在观察药丸及其涂层，而忽略了背景噪声和伪影。这种透明度至关重要，因为它允许人类专家信任该系统，并在必要时验证其决策。

这项工作的真正价值在于它如何改变了药物开发者的工作流程。科学家不再需要花费数小时或数天手动审查数千张图像，现在可以让计算机在几分钟内完成繁重的工作。该系统仅标记需要人工审查的可疑图像，同时丢弃明显的错误并保留清晰、有用的数据。这并不意味着计算机取代了专家；相反，它充当了一个高效的过滤器，通过去除噪声，让专家能够专注于需要解决的真实问题。随着制造工艺变得更加稳定并从开发阶段转向常规生产，这些测量误差自然会变得更少，对这种过滤器的需求也会随之减少。然而，在创造新药的关键早期阶段，这个工具有助于科学家做出更快、更自信的决策，从而加速药物从实验室走向药架的进程。