通过机器学习方法对流成像显微镜进行次可见粒子分类和标签一致性分析
Angela Lopez-Del Rio1, Anabel Pacios-Michelena2, Sergio Picart-Armada3
1Pharmaceutical Development Biologicals, Boehringer Ingelheim Pharma GmbH & Co. KG, Biberach an der Riss 88397, Federal Republic of Germany.
Journal of pharmaceutical sciences
|November 4, 2023
概括
机器学习有效地使用流图识别识别药品中的次可见颗粒. 无监督学习有助于粒子分类,但专家在标签上达成一致,特别是对于小粒子,仍然是一个挑战.
科学领域:
- 制药分析 制药分析
- 生物制药品质量控制的质量控制
- 粒子的表征 粒子的表征
背景情况:
- 微可见颗粒是关键的质量属性在肠道药品.
- 流成像显微镜产生粒子图像,需要进行表征.
- 机器学习 (ML) 用于粒子检测和分类,通常需要人工专家标签.
研究的目的:
- 开发和评估ML技术来表征生物制药中的次可见颗粒.
- 评估无监督学习和单类分类器对粒子分析的有用性.
- 调查基于专家的颗粒标签的一致性.
主要方法:
- 生成的人工数据集,模仿现实世界的粒子群 (油,蛋白质,玻璃).
- 应用无监督学习来描述样本中的粒子组成.
- 训练有素的独立一级分类器来检测特定的粒子类型 (油,玻璃).
- 评估模型性能与专家标记的数据对比,评估专家间的协议.
主要成果:
- 无监督学习有效地描述了粒子组成.
- 一类分类器显示适用于异质流量成像数据的适用性.
- 观察到专家之间很少达成一致,特别是对于小于8微米的粒子.
- 无监督学习可以协助粒子标记过程.
结论:
- 一类分类器是分析复杂的流量成像显微镜数据的可行方法.
- 无监督学习有可能简化粒子识别工作流程.
- 专家标签的主观性和不一致性,特别是对于小颗粒,需要进一步调查和报告标签的可靠性.
