-
E-Mail-Adresse
yuting334@126.com
- Telefon
-
Adresse
Shanghai Jiading Distrikt Shanghai Highway 5995
Shanghai Xinweisheng Pharmaceutical Machinery Co., Ltd
Eine gute Nachricht! Synergy AI-visuelle Testergebnisse für das führende britische Pharmazeitschrift IPI ausgewählt
Datum:2025-12-27Lesen Sie:2
Bildquelle: Neue Messe
Link zum Originalartikel: https://international-pharma.com/navigating-ai-driven-pharmaceutical-visual-inspection/
Hier ist die Übersetzung, willkommen zu lesen und zu kommunizieren!
Neues Paradigme der pharmazeutischen Qualitätskontrolle
AI-gesteuerte visuelle Erkennung
Die pharmazeutische Industrie steht weiterhin vor den Herausforderungen der Qualitätskontrolle. Traditionelle Testmethoden können die Bedürfnisse der modernen Produktion nicht erfüllen, da besorgniserregende Verunreinigungen wie metallische Edelstahlpartikel in Moderna-Impfstoffen wichtige Schwachstellen in bestehenden Systemen aufdecken. Die künstliche Optik ist immer noch anfällig für menschliche Fehler, während herkömmliche automatisierte Prüfsysteme nur Mängel erkennen können, die sie vorprogrammiert haben, um zu finden. Angesichts der zunehmenden regulatorischen Prüfung und der zunehmenden Komplexität der Produktion benötigen Hersteller dringend neue Lösungen.Die KI-Automatisierungstechnologie stellt eine fortschrittliche Entwicklung im Bereich der visuellen Inspektion dar, die die Einschränkungen künstlicher Inspektionen und herkömmlicher Automatisierungsmethoden grundlegend kompensieren kann.Künstliche Intelligenz-basierte Prüfungen können eine fehlerfreie Produktion erreichen und gleichzeitig die kommerzielle Machbarkeit erhalten, was das pharmazeutische Qualitätssicherungssystem revolutioniert.
Regulatorische Treiber
Regulierungsbehörden wie die US-amerikanische Food and Drug Administration (FDA), die Europäische Arzneimittelbehörde (EMA) und die britische Arzneimittel- und Gesundheitsproduktbehörde (MHRA) fordern nach und nach Hersteller auf, eine robustere Qualitätskontrolle zu zeigen, die über herkömmliche Compliance-Maßnahmen hinausgeht.
Die derzeitigen Normen für das Qualitätsmanagement bei der Herstellung von Arzneimitteln (cGMP) enthalten strenge Anforderungen an die Kontaminationskontrolle.Es soll verhindert werden, dass Fremdpartikel die Qualität von Arzneimitteln gefährden, und diese Anforderungen werden auf dem weltweiten Markt immer stärker durchgesetzt.
Die von der FDA veröffentlichten Industrierichtlinien für die Inspektion von sichtbaren Fremdstoffen für Injektionen fordern ausdrücklich, dass alle Medikamente, die für die extraintestinale Verabreichung verwendet werden, visuell auf sichtbare Fremdstoffe untersucht werden müssen, und alle Behälter, in denen sichtbare Partikel gefunden werden, müssen als nicht geeignet eingestuft werden und das Dioxid entfernt werden. Darüber hinaus laut den Leitlinien der American Pharmacopoeia für sichtbare Fremdstoffe in Injektionen muss eine 100-prozentige visuelle Inspektion vor der Freigabe des Produkts nachweisen, dass die Partie "im Wesentlichen keine sichtbaren Fremdstoffe enthält". Diese Vorschriften unterstreichen die entscheidende Bedeutung einer umfassenden Prüfung in der pharmazeutischen Produktion.
Es gibt noch keine offiziellen Vorschriften, die sich speziell auf KI beziehen, aber die EU hat GMP-Anlage 22 (Künstliche Intelligenz) und Anlage 11 (Computerisierte Systeme) erarbeitet und befindet sich noch in der Prüfung. Ein grundlegendes regulatorisches Prinzip, das im Entwurf immer deutlicher wird, ist, dass in kritischen GMP-Anwendungen nur statische oder deterministische Modelle verwendet werden dürfen, während Modelle mit dynamischem oder kontinuierlichem Lernen nicht für kritische GMP-Szenarien gelten.
Dies bedeutet, dass KI-Modelle, die in Prüfgeräten auf der Produktionslinie eingesetzt werden, gesperrt und statisch sein müssen, und dass die Selbstlernfähigkeit nur für Entwicklungsphasen oder zukünftige Versionsaktualisierungen verwendet werden kann, anstatt das Modell während der Produktion vor Ort automatisch zu aktualisieren.
Da sich die spezifischen Vorschriften für KI noch in der Entwurfsphase befinden, gelten KI-visuelle Prüfgeräte derzeit noch für den gleichen regulatorischen Rahmen wie herkömmliche Prüfgeräte. Die EU-Richtlinie zur automatischen visuellen Prüfung (AVI) besagt: „Bei der Anwendung einer automatischen Prüfmethode muss der Prozess nachgewiesen werden, dass er bekannte Mängel erkennen kann (die sich auf die Qualität oder Sicherheit des Produkts auswirken können), und dass seine Prüffähigkeit der manuellen Prüfmethode entspricht oder besser ist.“
Viele KI-automatisierte PrüfsystemeUnterstützung verschiedener Compliance-Rahmenbedingungen durch die Erstellung vollständiger Audit-Tracking-Aufzeichnungen und die Erfüllung der regulatorischen Dokumentationsanforderungen bietet Herstellern ein verifizierbares und nachverfolgbares Qualitätssicherungssystem.
Technischer Fortschritt und Fähigkeiten
Die KI-Automatisierungstechnologie stellt eine bedeutende Innovation im Bereich der visuellen Inspektion dar, die die grundlegenden Einschränkungen der künstlichen und herkömmlichen automatisierten Inspektion lösen kann. Manuelle Erkennungen sind anfällig für menschliche Fehler, Müdigkeit und mangelnde Konsistenz, während herkömmliche automatisierte Erkennungen nur ausdrücklich programmierte Fehlertypen erkennen können.Die KI-Automatisierungstechnologien bieten erhebliche Vorteile, darunter die Fähigkeit, neue Mängel zu erkennen und kontinuierliche Verbesserungen durch Lerneiterationen von Algorithmen, die das Erkennungsparadigma grundlegend verändern.
KI-basierte Prüfgeräte können die Leckerquote erheblich reduzieren und den Anteil der qualifizierten Produkte, die falsch als nicht qualifiziert eingestuft werden, von10–20% auf etwa 2% reduziertDiese erhebliche Verbesserung der Genauigkeit führt direkt zu erheblichen Kosteneinsparungen und Abfallreduzierungen. Darüber hinaus kann die KI-Technologie Bildsequenzen als Videos analysieren.Ermittlung verdächtiger Mängel durch Bewegungsbahn und mehrere BlickwinkelDies bietet eine umfassendere Bewertung als die statische Bildanalyse.
Automatisierte KI-ErkennungBetriebsmechanismusJa: Ein Modell eines tiefen neuronalen Netzwerks wird mit Datensätzen trainiert, die eine große Anzahl von Bildern enthalten, einschließlich Bildern von guten Produkten, die als "qualifiziert" gekennzeichnet sind, sowie von fehlerhaften Produkten, die als "nicht qualifiziert" gekennzeichnet sind, mit einer eindeutigen Kennzeichnung der fehlerhaften Bereiche.
Vollständiges Training wird in der Regel ca.1 Million Qualifizierte Produktbilder und 2,5 Million MängelbilderQualifizierte Bilder enthalten nicht nur fehlerfreie Produkte, sondern auch zu erwartende Störungen wie Blasen, Skalenspuren, gravierende Kennzeichnungen.
Das Fehlbild deckt die häufigen Verschmutzungsarten in pharmazeutischen Produkten wie Glas-, Partikel- und Metallverschmutzung ab, ohne dass die Mängeltypen erschöpft werden müssen. Nach dem Training kann das Modell lernen.Unterscheidung zwischen qualifizierten und defekten Produkten mit normalen Störungseigenschaften.
Bildquelle: Neue Messe
Im praktischen Betrieb erfasst das Prüfgerät mehrere Bilder jedes Produkts und gibt das Modell ein, um eine Qualifizierungs-/Nicht-Qualifizierungsbeurteilung zu treffen.Wenn alle Merkmale im Bild den erwarteten Merkmalen eines qualifizierten Produkts entsprechen, gibt das Modell eine "qualifizierte" Beurteilung ab; In jedem der folgenden Fälle wird eine "unzulässige" Entscheidung getroffen:Erstens entsprechen bestimmte Merkmale den im Training gelernten Fehlermustern; Zweitens entsprechen bestimmte Merkmale nicht dem Profil eines qualifizierten Produkts, auch wenn sie nicht direkt mit einer bestimmten Art von Mängeln übereinstimmen.
Die zweite Entscheidung folgt dem "fail-safe"-Prinzip, um sicherzustellen, dass Produkte mit potenziellen Problemen zur weiteren Bewertung gekennzeichnet werden. Die Prüfgeräte können auch Abdeckungsfehler, Behälter-Erscheinungsfehler und andere Elemente wie die Füllmengenkontrolle erkennen.Tiefe neuronale Netzwerkmodelle mit unabhängigem TrainingDie Methode ist grundsätzlich einheitlich.
Wirtschaftliche Vorteile und Leistungsindikatoren
Die automatisierte KI-Inspektion ermöglicht erhebliche Kosteneinsparungen, indem die Arbeitskosten reduziert werden, die Abfallquote reduziert und Rückrufverluste vermieden werden.Fortgeschrittenere visuelle Inspektionstechnologien senken zudem die Compliance-Kosten, verhindern Reputationsschäden durch Qualitätsprobleme und vermeiden Verluste von Marktchancen. Die größten Kosteneinsparungen entstehen durch die Reduzierung der Abfälle: Die Fehlerbeseitigungsrate kann von etwa 15% auf 2% gesenkt werden, was 13% des fertigen Produkts entspricht, das ursprünglich unnötig verworfen werden würde.
Die Leistung eines Prüfsystems wird in der Regel durch zwei Kernindikatoren bewertet: die Leckerquote (falsch negativ) und die Fehlerquote (falsch positiv / falsch ausgeschlossen). Die Leckerquote bezieht sich auf den Anteil fehlerhafter Produkte, die nicht vom Prüfsystem entfernt wurden, und die Fehlerquote bezieht sich auf den Anteil qualifizierter Produkte, die fehlerhaft als nicht qualifiziert eingestuft wurden. Die Erkennungswahrscheinlichkeit (PoD) oder Erkennungsrate ist der Gegenwert der Leckerquote und wird berechnet wie folgt: 1 - Leckerquote.
Laut der American Pharmacopoeia ist die visuelle Prüfung ein wahrscheinlicher und nicht ein absoluter Prozess, dessen Erkennungsfähigkeit von Faktoren wie Partikelgröße, Form, Farbe, Dichte und Reflexivität beeinflusst wird. Die theoretische Auflösungsgrenze des menschlichen Auges liegt bei etwa 11 μm, aber die tatsächliche Auflösungsfähigkeit liegt näher an 85-100 μm. Unter kontrollierten Bedingungen ist die künstliche Detektion von 50 μm-Partikeln nur etwas höher als 0%; Etwa 40% für einzelne kugelförmige Partikel von 100 μm (z. B. Polystyrol-Mikrokugeln); Etwa 70% für 150 μm Partikel; Bei Partikeln von 200 μm und höher kann es über 90% sein.
In Glasbehältern sind Glaspartikel aufgrund der Schichtung oder des Bruchs zum Hauptverschmutzungsrisiko, wobei die Leistungsunterschiede zwischen den verschiedenen Prüfmethoden besonders deutlich sind. Studien haben gezeigt, dass künstliche Tests nur etwa 40 Prozent von Produkten identifizieren können, die einzelne 50-400 μm Glaspartikel enthalten. Traditionelle automatisierte Prüfsysteme können in der Regel etwa 90% erkennen.Die Erkennungsrate des KI-visuellen Erkennungssystems beträgt bis zu 98,5%, die Leckerkennungsrate beträgt nur 1,5%.Diese Verbesserungen haben die Sicherheit und die Qualitätssicherung steriler Produkte erheblich erhöht.
Für Kunststoffbehälter sind die Leistungsunterschiede deutlicher, da Fremdkörper in transparenten Materialien schwieriger zu unterscheiden sind. Die künstliche Erkennung von PoD für einzelne Kunststoffpartikel beträgt etwa 25% und steigt bei Anwesenheit von fünf 400 μm-Partikeln auf etwa 45%. Die Erkennungsrate von herkömmlichen Automatisierungssystemen beträgt etwa 65%, während KI-ErkennungssystemeEtwa 95%In Bezug auf die Fehlerausscheidungsrate wird die herkömmliche maschinelle Vision häufig durch Blasen und Erscheinungsmerkmale gestört, mit einer Fehlerausscheidungsrate von bis zu 10-20%, während KI-SystemeEtwa 2 Prozent.Das entspricht dem Niveau der menschlichen Prüfung.
Herausforderungen und Lösungen umsetzen
Von der künstlichen oder herkömmlichen Automatisierungsprüfung zur KI-Automatisierung müssen Hersteller sich einer Reihe von Herausforderungen vorsichtig stellen. Eine der wichtigsten Herausforderungen besteht darin, eine klare Schwelle für die Konformitätsbeurteilung festzulegen. Dies unterscheidet sich erheblich von der künstlichen Prüfung, deren Qualifikationskriterien oft mündlich und relativ vage kommuniziert werden. Pharmaunternehmen in der frühen Implementierungsphase haben oft Probleme mit unterschiedlichen Sektoren wie Qualität, Produktion und Finanzen, die unterschiedliche Schwellenwerte für Maschinen festlegen.Konsens wird durch effektives Veränderungsmanagement und Koordination der Stakeholder erzielt.
Bildquelle: Neue Messe
Eine erfolgreiche Implementierung erfordert auch einen umfassenden Validierungsprozess, um nachzuweisen, dass ein neues System in der Leistung gleichwertig oder besser ist als bestehende Methoden. Unternehmen müssen ein ausgereiftes Schulungssystem für die Mitarbeiter aufbauen, die neue Systeme betreiben, Standardbetriebsprozeduren (SOP) entwickeln, die sich an KI-Prozesse anpassen, und eine nahtlose Integration in bestehende Qualitätsmanagementsysteme sicherstellen. Gleichzeitig müssen die Anforderungen an die Datengovernance erfüllt werden, einschließlich der rationalen Konstruktion von Datensätzen, des Abweichungsmanagements und der vollständigen Dokumentation des Modellentwicklungs- und Validierungsprozesses.
Zukünftige technologische Entwicklung
Die visuelle Inspektionstechnologie entwickelt sich kontinuierlich mit dem Ziel, höhere Leistung und breitere Anwendbarkeit zu erreichen. Einer der aktuellen Schwerpunkte der Forschung und Entwicklung ist der Aufbau eines allgemeineren Modells für computervisuelle neuronale Netzwerke.Ähnlich wie das große Sprachmodell.In dieser Phase ist es oft erforderlich, Modelle für verschiedene Behälterspezifikationen oder sogar verschiedene Medikamente zu trainieren. Angesichts der Ähnlichkeiten zwischen qualifizierten und fehlerhaften Proben sowie der jüngsten Fortschritte in den Algorithmen versucht die Industrie, verschiedene Modelle zu einem einheitlichen allgemeinen Prüfmodell zu kombinieren. Dies reduziert nicht nur den Kundenarbeitsaufwand beim Modellwechsel und verringert das Betriebsrisiko, sondern reduziert auch die Belastung der wiederholten Kalibrierung durch den Gerätehersteller erheblich.
Die eingeschränkte Bildtiefe der Kamera hat die Erkennungsfähigkeit seit Jahren eingeschränkt, insbesondere bei der Erkennung kleiner Partikel in relativ großen Behältern wie einer 30-ml-Cilindraflasche. Mit Hilfe der Vorhersagefähigkeit der KI entwickeln die Forscher Algorithmen, um die Bewegungsbahn von Partikeln im dreidimensionalen Raum vorherzusagen, indem sie die ersten 20% der Bildsequenzen analysieren und die flüssige Linse in Echtzeit steuern, um die Fokusebene anzupassen. Diese Methode kannBeschränkungen der Tiefe überwindenErhalten Sie klarere Bilder von verdächtigen Partikeln, wodurch die Leckerkennzahl von 2% auf 0,2% und die Erkennungsrate von 98,5% auf 99,8% erhöht wird.
Fortgeschrittene KI-Visualisierungstechnologien ermöglichen auch eine feinere Klassifizierung und Charakterisierung von Mängeln, die Herstellern tiefere Informationen über Quellen und Muster der Verschmutzung liefern. Maschinelles Lernen-Algorithmen erkennen Fehlertrends und unterstützen so prädiktive Wartung und Prozessoptimierung.Dadurch erweitert sich der Wert von KI von einer einzelnen Prüfung auf den breiteren Bereich der Fertigungsintelligenz.
Strategische Umsetzung
Die erfolgreiche Einführung einer KI-gestützten pharmazeutischen visuellen Inspektion erfordert eine systematische Planung auf technischer, regulatorischer und organisatorischer Ebene.Die Hersteller sollten die bestehende Qualitätskontrollinfrastruktur bewerten, konkrete Verbesserungsmöglichkeiten identifizieren und stufenweise Umsetzungsprogramme entwickeln, um Auswirkungen auf den Produktionsbetrieb zu minimieren. Regulatorische Faktoren sollten sich über die Strategien der technischen Auswahl und Validierung hinweg erstrecken, um sich auf zukünftige regulatorische Änderungen vorzubereiten und gleichzeitig die bestehenden Anforderungen zu erfüllen.
Training ist ebenso wichtig wie Change Management.Die Mitarbeiter müssen neue Technologien verstehen und sich an neue Arbeitsweisen anpassen. Die Qualitätsprüfer müssen die Methoden der Validierung und kontinuierlichen Überwachung von KI-Systemen beherrschen, während die Hersteller mit dem Betrieb des automatisierten Systems und den Abweichungsprozessen vertraut sind. Die Unterstützung des Managements und die klare Kommunikation der Implementierungsvorteile tragen dazu bei, dass Identität und Technologie auf organisatorischer Ebene erfolgreich etabliert werden.
Auf finanzieller Ebene sollten sich die Entscheidungsträger nicht nur auf die Anfangsinvestitionen konzentrieren, sondern auch auf eine umfassende Bewertung.Langfristige BetriebserträgeDies umfasst die Reduzierung von Abfällen, die Verbesserung der Compliance-Fähigkeiten und die Verbesserung der Produktqualität. Die Analyse der Gesamtbetriebskosten sollte die Einsparungen von Arbeitskraft, die Reduzierung des Rückrufrisikos und den Wettbewerbsvorteil aufgrund der ausgezeichneten Qualitätskontrolle umfassen.
Schlussfolgerungen
Die Pharmaindustrie steht an einem wichtigen historischen Punkt. Von menschlicher Erkennung zu KI-Systemen ist ein großer Sprung in der Präzision.Es handelt sich nicht nur um ein technologisches Upgrade, sondern auch um einen grundlegenden Wandel in der Art und Weise, wie wir die menschliche Gesundheit schützen.Hersteller, die diesen Wandel umarmen, haben nicht nur ihre Geräte aktualisiert, sondern eine Führungsposition in einer Branche etabliert, in der Präzision das Leben ist, um Vertrauen zu gewinnen.
Die Leistung der künstlichen Erkennung und der herkömmlichen Methoden nähert sich der Obergrenze, während die KI-basierte Erkennung sich mit algorithmischen Durchbrüchen weiter entwickelt. Die zukünftige Detektionsrate wird voraussichtlich nahe 99,8 Prozent liegen und die heutigen Ambitionen in den Mindeststandard von morgen umsetzen. Diese Technologie hat kommerzielle Indikatoren überschritten und ist zu einem wichtigen Werkzeug für den weltweiten Gesundheitsschutz geworden:Jedes erfolgreich abgefangene Medikament ist der Schutz eines Patienten.
Angesichts der zunehmenden regulatorischen Anforderungen und des sich ständig verändernden Marktumfelds,Die KI-visuelle Erkennung wechselt von einer neuen Technologie zu einer kritischen Infrastruktur.Hersteller, die die Technologie als Vorreiter einsetzen, werden einen Wettbewerbsvorteil schaffen, der immer schwieriger zu replizieren ist. In einem regulatorischen Umfeld, in dem die Qualitätskontrolle den Marktzugang und die Nachhaltigkeit des Betriebs bestimmt, ist die KI-gestützte Qualitätsprüfung zu einem zentralen Bestandteil der zukünftigen Exzellenz in der pharmazeutischen Fertigung geworden.
Referenzen:
Chooi, W. H. et al. (2022) Impfstoffverschmutzung: Ursache und Kontrolle. 《Vaccine》。 Verfügbar in der PMC-Datenbank (Zugriffsdatum: 20. August 2025)
(2021) Inspektion von sichtbaren Fremdkörpern in Injektionen - Industrieleitlinien, Food and Drug Administration (FDA). Verfügbar in offiziellen FDA-Dokumenten (Zugriffsdatum: 20. August 2025)
3. (2014) United States Pharmacopeia, Kapitel 790. Verfügbar auf der offiziellen USP-Website (Zugriffsdatum: 21. August 2025)
4. (2025) GMP Annex 22: Artificial Intelligence, Entwurfsdokument der Europäischen Kommission. Verfügbar bei der Europäischen Gesundheitsbehörde (Zugriffsdatum: 20. August 2025)
GMP Anhang 11: Computerisierte Systeme, EU-Kommission. Verfügbar bei der Europäischen Gesundheitsbehörde (Zugriffsdatum: 20. August 2025)
(2022) GMP-Anhang 1: Herstellung steriler Arzneimittel. Verfügbar in den offiziellen Dokumenten der Europäischen Union (Zugriffsdatum: 21. August 2025)
Visuelle Prüfung mit maschinellem Lernen / Künstlicher Intelligenz, Pharmaceutical Engineering (November-Dezember 2020). Verfügbar auf der offiziellen ISPE-Website (Zugriffsdatum: 20. August 2025)
Xin Weisheng (2025), Vergleichsstudie der KI-gestützten visuellen Erkennungsleistung mit herkömmlichen visuellen Erkennungsgeräten, interne Studiendaten, nicht veröffentlicht
Xin Weisheng (2025), Vergleichsstudie der KI-gestützten visuellen Erkennungsleistung mit herkömmlichen visuellen Erkennungsgeräten, interne Studiendaten, nicht veröffentlicht
Cherris, R. (2016) Visuelle Inspektion von Injektionen - Präsentation der NGVF-Masterclass, PDA/PharmOut。 Verfügbar auf der offiziellen Website von PharmOut (Zugriffsdatum: 21. August 2025)
Mazaheri, M. et al. (2024) "Überwachung von sichtbaren Partikeln in Ex-Darm-Präparaten durch künstliche Optik - Neubewertung der Größenschwellen, die die Sichtbarkeit von Partikeln definieren, und anderer Partikeleigenschaften" 《Journal of Pharmaceutical Sciences》。 Verfügbar bei ScienceDirect (Zugriffsdatum: 28. August 2025)
Xin Weisheng (2025) "Firmenprognose für künftige Erkennungsraten bei visueller KI-Erkennung", interne Schätzungen, nicht veröffentlicht