实际上是可能的:通过对光现实图像进行训练的机器视觉来提高3D打印药物的质量控制
Siyuan Sun1, Manal E Alkahtani1,2, Simon Gaisford1
1UCL School of Pharmacy, University College London, 29-39 Brunswick Square, London WC1N 1AX, UK.
Pharmaceutics
|November 25, 2023
概括
本研究介绍了使用合成图像来训练机器视觉 (MV) 模型进行3D打印药物的质量控制. 这种更快,更便宜的方法显示了在制药制造业可靠的人工智能开发的潜力.
科学领域:
- 制药制造业 制药制造业 制药制造业
- 人工智能的人工智能
- 机器视觉 机器视觉 机器视觉
背景情况:
- 三维 (3D) 打印是一种先进的制药制造技术,应用越来越多.
- 强度和可靠性对于3D打印在制药领域的广泛采用至关重要.
- 机器视觉 (MV),人工智能 (AI) 的一个子集,提供自动化质量检查,但用真实图像训练模型是昂贵和耗时的.
研究的目的:
- 调查合成图像用于训练MV模型的使用,以对3D打印剂型的质量进行分类.
- 建立一种更快,更具成本效益的方法来开发用于药品质量控制的AI模型.
主要方法:
- 产生了200张3D打印剂型 (囊,平板,片) 的光现实虚拟图像.
- 使用七种机器学习技术 (MLT) 来使用真实和合成图像数据集进行图像分类.
- 探索各种MV管道,包括图像调整大小和转换,并对模型可扩展性和稳定性进行压力测试.
主要成果:
- 在使用合成图像的立体石刻 (SLA) 打印剂型中,达到80.8% (囊),74.3% (平板) 和75.5% (膜) 的分类精度.
- 在使用3000多张图像的压力测试中,精度保持在66.5% (囊),72.0% (平板电脑) 和70.9% (电影).
- 证明有前途的模型信心,Brier分数从0.20到0.40.
结论:
- 虚拟图像显示了训练人工智能模型在3D打印剂型分类方面的巨大潜力.
- 这种方法加速并降低了AI模型开发的成本,用于3D打印药物的质量控制.
- 在先进的制药生产中为可靠和可持续的AI驱动的质量控制铺平了道路.
