人工智能在藥品視覺檢查中的應用

文/ Andreas Gross

不管是自動駕駛、電腦游戲或者人臉識別——人工智能現在正在改變我們的日常生活。許多領域已經使用了相應的軟件和算法，包括制造零件的視覺檢查。所以，為什么不也在藥品檢查中使用這些軟件和算法呢？這其中的一個挑戰是將這些應用轉化為復雜的制藥過程，并為制藥這一監管嚴格的行業提供適當的實施和驗證概念。而今天的先行者將成為明天行業的潮流引領者。

人工智能（AI）以驚人的速度進入我們的生活——家庭、交通和工作。智能手機擁有語音助手，醫生也可以利用人工智能診斷身體狀況。人工智能系統越智能，理解這些系統的好處、推動關鍵技術的接受度就變得更加重要。自動駕駛就是人工智能有益于人類安全的一個實例。就數字化和工業4.0 而言，制造商還可以利用人工智能和深度學習來優化制造過程，使制造過程更加安全、容易并且可以預測。這一潛力還適用于可以發揮更重要作用的領域：人類使用藥物的制造。

圖1 藥品的自動化視覺檢查

從人工智能到深度學習

在制藥生產過程中，檢查是一項非常具有挑戰性的工作。對具有難點的產品而言尤為如此，例如，對于無法完全去除氣泡的高粘度注射液，區別這些氣泡與顆粒存在困難。在達到平衡的檢測水平和誤剔率之前，這些情況通常需要長期進行視覺算法開發與優化。人工智能具有縮短開發期并且快速優化期望結果的潛力。對期望收到優質產品的制造商和安全藥品的病人而言這是一個雙贏局面。

市場上許多成功的檢查技術可以提高自動視覺檢查的檢出率，例如，在檢查之前準備產品的單個旋轉裝置、高分辨率數碼相機或靜態分割（SD）光穿透法。盡管如此，在某些情況下，比如在濃溶液和小規格容器的組合下，旋轉不會促使顆粒移動，從而導致檢測的可能性降低。此外，結塊或其他類型與顆粒類似的產品固有的形態特征，以及類似玻璃顆粒的氣泡的存在可能導致合格品的誤剔。對高成本產品而言，每一次誤剔都是難以承受的。人工智能應用有進一步增加檢出率，降低氣泡產品、濃溶液等難以檢測產品的誤剔次數的潛力。

圖2 在自動化視覺檢查中，人工智能不僅意味著可能性

藥品的一個主要區別

雖然許多藥品生產商和機器制造商都在考慮使用人工智能，而且有的藥品生產商和機器制造商已經發布了第一批研究結果，但對實施和驗證的保留意見使大部分公司無法在真實的生產環境中利用這些應用。與此同時，機器視覺軟件公司已經開始提供深度學習視覺工具，并將其視為其產品組合的一部分。因此，對于全自動燈檢機制造商而言，開發自己的深度學習算法或神經網絡并不是非常必要。事實上，現有的解決方案僅需要適度的軟件修改。此外，利用在游戲行業普遍使用的圖形處理器（GPU），可以實現具有較高處理能力的視覺計算機的升級。

正如在相關視覺檢查論壇上討論的那樣，檢查技術專家可以方便地對視覺檢查的使用進行必要的升級。然而，為了確保驗證，必須考慮以下至關重要的一點：與許多其他行業不同，在開發階段最終確定之后，必須立即“凍結”藥品深度學習模型。藥品深度學習模型必須處于靜態，無法改變，以便控制版本并且進行驗證。在美國食品藥品監督管理局（FDA）近期出版的一篇關于醫療器械軟件監督框架的討論文章中提供了藥品生產以外其他領域的應用參考實例。

外觀檢查人工智能——不僅是視覺

在自動化視覺檢查中，人工智能不僅意味著可能性。事實上，一些試驗項目幾乎已經接近生產實踐。Syntegon 為原博世包裝技術的新名稱，目前致力于一個實施深度學習算法的項目，將深度學習算法用于其AIM 5023燈檢機上進行注射器膠塞邊緣的檢查。是什么敲定了人工智能開發投資決定呢？“勇氣和專業知識，”正如Jose Zanardi 博士所說的那樣。Jose Zanardi 博士負責Syntegon 公司的視覺檢查開發和應用，并且密切地參與了該項目。

藥品行業因其對創新的保守態度而出名。這主要是因為極其嚴格的工藝驗證監管準則所致——總的來說，這個屬性是積極的，因為制造產品會直接影響病人的健康與安全。“這一雄心勃勃的項目需要大量與軟件實施和工藝驗證相關的經驗來使其概念超出終點線——并不是每個機器制造商都可以提供這一組合。”Zanardi 強調。自20 世紀70年代初期以來，長期積累的全自動燈檢機開發經驗與工藝，以及實施和驗證方面的專業知識的組合是非常重要的先決條件。

圖3 標注與深度認知圖片處理

沒有“一刀切”方法

通常情況下，“一刀切”方法不適用于視覺檢查深度學習項目。反而，第一步應包括基于大量多元化的參考樣品圖片的預評估。在我們的例子中，這些圖片可以是含有氣泡的合格品，用于瓶身檢查的包含不同膠塞位置、產品、灌裝量以及不同類型的工藝固有顆粒的圖片。根據現有圖片資料，離線驗證研究可以為深度學習模型與現有軟件的整合提供依據。在第二步中，特定客戶項目可以通過產品、現有機械、期望與時間軸等參數確定。

圖3 對比了標準配方方法開發與驗證（左）與深度學習方法（右）：原則過程不變，配方參數仍然根據GMP 要求驗證。工藝與需求硬件的開發所使用的工具是唯一的變量。正如上文所述，即使硬件（深度學習需要PC 與GPU）只是產生細微的變化，就可以處理更加復雜、更多的數據。在確定性的深度學習模型中，小批量樣品可以訓練機器達到特定的“智能水平”，然后凍結該模型。對驗證、監管批準和檢查而言，這一點尤為重要。

制藥行業潛在的潮流引領者

“我們相信本技術可以在未來使檢出率接近99%的同時，讓誤剔率顯著地降低一半甚至更多。”Zanardi 說。他確信深度學習應用可以在GMP 環境中實施——而且將獲得確認戰略和實施的監管許可。它將顯著地改善難以檢查的產品的檢查效果，例如，凍干制品或填充至注射器或雙容器系統等復雜的初級包裝的產品。它將降低誤剔率，進而減少罕見病藥物等昂貴產品的生產費用。

在美國藥典（USP）第1790章中規定，自動檢查設備的驗證宜根據以下二者之間的對比進行：藥典手動檢查過程與可以證明等效或更優性能的備選檢查方法的期望。對于現有的深度學習項目而言，這是可行的。鑒于有關全自動燈檢機的實施指南適用于人工智能及其所有衍生品，該類試驗項目很可能進入批量生產階段——而且很可能成為整個行業的潮流引領者。