Künstliche Intelligenz verändert unseren Alltag. Die benötigte Software und die Algorithmen sind bereits in vielen Bereichen im Einsatz, darunter auch in der visuellen Prüfung industriell gefertigter Komponenten. Warum sollte man sie also nicht auch für die pharmazeutische Inspektion nutzen? Das Potenzial wäre da, doch es gilt noch einige Hürden zu nehmen.
Künstliche Intelligenz (KI) hält zunehmend Einzug in unseren Alltag – und das nicht nur zu Hause, sondern auch im Straßenverkehr und am Arbeitsplatz. Schon heute verfügen Smartphones über sprachgesteuerte Assistenten, Ärzte diagnostizieren Krankheiten mithilfe von KI. Automatisiertes Fahren ist ein Beispiel dafür, wie KI die menschliche Sicherheit verbessern kann. In Zeiten von Industrie 4.0 nutzen Hersteller KI und Deep Learning, um Fertigungsprozesse zu optimieren und sie sicherer, einfacher und vorhersehbarer zu machen. Entsprechend sollte dieses Potenzial auch in einem Umfeld genutzt werden, in dem die Sicherheit eine noch wichtigere Rolle spielt: bei der Herstellung von Arzneimitteln.
Von künstlicher Intelligenz zu Deep Learning
Die visuelle Inspektion ist ein sehr anspruchsvoller Schritt im pharmazeutischen Herstellungsprozess. Dies gilt insbesondere für Produkte mit schwierigen Eigenschaften wie hochviskose parenterale Lösungen, in denen Luftblasen nicht vollständig aufgelöst werden können und Partikel nur schwer zu erkennen sind. In solchen Fällen dauert es bei der Entwicklung von Bildverarbeitungsalgorithmen üblicherweise lange, bis die Erkennungs- und Ausschussraten ein stabiles Niveau erreichen. KI hat das Potenzial, diese Entwicklungszeit zu verkürzen und die erwünschten Ergebnisse zu optimieren – eine klassische Win-win-Situation für Pharmahersteller und Patienten.
Auf dem Markt haben sich viele Inspektionstechnologien etabliert, die hohe Erkennungsraten bei der automatischen visuellen Inspektion erreichen. Einige Beispiele sind (pre-)Spin-Einheiten, die das Produkt für die Inspektion vorbereiten, hochauflösende Digitalkameras oder die Static Division (SD) Technologie. Allerdings schränkt die Kombination aus milchig-trüben Flüssigkeiten und kleineren Packmittelgrößen die Bewegbarkeit von Partikeln ein, wodurch die Detektionswahrscheinlichkeit sinkt. Zudem können Agglomerationen und andere inhärente morphologische Merkmale sowie Blasen, die Glaspartikeln ähneln, zu Pseudoausschuss führen. KI-Anwendungen haben das Potenzial, die Erkennungsrate weiter zu erhöhen und fehlerhaften Ausschuss bei kritischen Produkten wie schäumenden, hochviskosen und milchig-trüben Flüssigkeiten oder Lyophilisaten zu reduzieren.
Pharma: ein wichtiger Unterschied
Viele Pharmahersteller und Maschinenzulieferer setzen sich aktuell mit KI auseinander. Doch obwohl bereits einige Studien veröffentlicht wurden, sind die Vorbehalte gegenüber der Implementierung und Validierung groß. Gleichzeitig haben zahlreiche Anbieter von Bildverarbeitungssoftware bereits Anwendungen auf Deep-Learning-Basis in ihrem Portfolio. Das bedeutet für Hersteller automatischer visueller Inspektionsmaschinen, dass sie nicht zwingend eigene Deep-Learning-Algorithmen oder neuronale Netze entwickeln müssen. Tatsächlich reichen geringfügige Anpassungen bestehender Softwarelösungen aus. Zudem lassen sich Bildverarbeitungscomputer mithilfe von Grafikprozessoren (GPU) wie sie in der Computerspieleindustrie weit verbreitet sind, für eine höhere Rechenleistung aufrüsten.
