Bonne nouvelle! Les résultats des nouveaux tests de vision weist ai sélectionnés par ipi, la revue pharmaceutique britannique faisant autorité

À propos de nous

Shanghai Xinweisheng Pharmaceutical Machinery Co., Ltd

Courriel
yuting334@126.com
Téléphone
Adresse
5995 route de hui, district de Jiading, Shanghai

Date :2025-12-27Lire :3

Crédit photo: photo de la nouvelle exposition weist

Lien vers l'article Original: https://international-pharma.com/navigating-ai-driven-pharmaceutical-visual-inspection/

Voici la traduction chinoise de l'article, bienvenue à la lecture et à la communication!

Un nouveau paradigme pour le contrôle qualité pharmaceutique

Détection visuelle pilotée par l'IA

L'industrie pharmaceutique continue de relever des défis en matière de contrôle de la qualité. Les méthodes de détection traditionnelles ont du mal à répondre aux besoins de la production moderne, avec des incidents de contamination très préoccupants tels que l'apparition de particules métalliques en acier inoxydable dans le vaccin Moderna, exposant des points critiques de vulnérabilité dans les systèmes existants. L'inspection manuelle reste vulnérable aux erreurs humaines, tandis que les systèmes d'inspection automatisés traditionnels ne peuvent identifier que les défauts qu'ils sont préprogrammés pour rechercher. Avec un examen réglementaire de plus en plus rigoureux et une complexité de production croissante, les fabricants ont désespérément besoin de nouvelles solutions.La technologie d'automatisation de l'IA représente une évolution avancée dans le domaine de l'inspection visuelle, capable de compenser fondamentalement les limites de l'inspection manuelle et des méthodes d'automatisation traditionnelles.La détection basée sur l'IA promet de révolutionner le système d'assurance de la qualité pharmaceutique en permettant une production zéro défaut tout en restant commercialement viable.

　Facteurs de régulation

Les organismes de réglementation, notamment la Food and Drug Administration (FDA) des États - Unis, l'Agence européenne des médicaments (EMA) et la Medicines and Health Products administration (mhra) du Royaume - Uni, exigent progressivement des fabricants qu'ils fassent preuve de capacités de contrôle de la qualité plus robustes, allant au - delà Des mesures de conformité traditionnelles.

Le Code de gestion de la qualité pour la production pharmaceutique (CGMP) actuel contient des exigences strictes en matière de contrôle de la pollution,L'objectif est d'empêcher les particules étrangères de compromettre la qualité des médicaments et la mise en œuvre de ces exigences ne cesse de s'intensifier sur le marché mondial.

Les directives de l’industrie pour la détection des corps étrangers visibles par injection publiées par la FDA exigent clairement que tous les médicaments destinés à l’administration parentérale soient soumis à une inspection visuelle des corps étrangers visibles et que tous les récipients dans lesquels des particules visibles sont trouvées soient jugés non conformes et éliminés. En outre, les lignes directrices de la pharmacopée des États - Unis concernant les corps étrangers visibles pour injection stipulent que le lot doit être certifié « essentiellement exempt de corps étrangers visibles » par une inspection visuelle à 100% avant la libération du produit. Ces règlements soulignent l'importance cruciale des capacités d'essai complètes dans la production pharmaceutique.

Aucun règlement officiel spécifique à l’ia n’a encore été introduit, mais l’ue a rédigé l’annexe 22 (Intelligence artificielle) et l’annexe 11 (systèmes informatisés) des BPF, qui sont encore à l’étude. Un principe réglementaire de base qui est progressivement clarifié dans le projet est le suivant: dans les applications GMP clés, seuls les modèles statiques ou déterministes sont autorisés, tandis que les modèles d ` apprentissage dynamique ou continu ne s ` appliquent pas aux scénarios GMP clés.

Cela signifie que les modèles d'IA déployés dans les dispositifs de détection sur la ligne de production doivent être verrouillés et statiques, et que les capacités d'auto - apprentissage ne peuvent être utilisées que pour la phase de développement ou les mises à jour de versions futures, et non pas automatiquement pendant la production sur site.

Étant donné que le règlement spécifique à l'IA est encore au stade de l'ébauche, les dispositifs d'inspection visuelle de l'IA s'appliquent toujours au même cadre réglementaire que les dispositifs d'inspection traditionnels. La politique de l’union européenne sur l’inspection visuelle automatisée (AVI) stipule que: « lors de l’adoption d’une méthode d’inspection automatisée, le processus doit être validé pour détecter les défauts connus (qui peuvent affecter la qualité ou la sécurité du produit) et sa capacité de détection doit être équivalente ou supérieure à celle d’une méthode d’inspection manuelle ».

De nombreux systèmes d'inspection automatisés aiRépondre aux exigences réglementaires en matière de documentation en générant des enregistrements de piste d'audit complets pour soutenir les cadres de conformité et fournir aux fabricants un système d'assurance qualité vérifiable et traçable.

Progrès et capacités technologiques

La technologie d'automatisation de l'IA représente une innovation majeure dans le domaine de l'inspection visuelle, capable de résoudre les limites fondamentales de l'inspection manuelle et de l'inspection automatisée traditionnelle. La détection manuelle est vulnérable aux erreurs humaines, à la fatigue et au manque de cohérence, tandis que la détection automatisée traditionnelle ne peut identifier que les types de défauts explicitement programmés ⁽⁷⁾.Les technologies d'automatisation de l'IA présentent des avantages significatifs, notamment la capacité d'identifier de nouveaux types de défauts et d'améliorer en permanence les algorithmes grâce à des itérations d'apprentissage qui modifient radicalement le paradigme de la détection.

L'équipement d'inspection basé sur l'IA est capable de réduire considérablement le taux d'échec, ce qui entraîne une erreur d'évaluation de la proportion de produits qualifiés non conformes à partir de10 - 20% réduit à environ 2% ⁽⁸⁾. Cette amélioration considérable de la précision se traduit directement par des économies de coûts significatives et une réduction des déchets. En outre, la technologie ai peut également analyser des séquences d'images en tant que vidéos,Jugement des défauts suspects par trajectoire de mouvement et vue Multi - angleFournissant ainsi une évaluation plus complète que l'analyse d'images fixes.

Détection automatisée par aiMécanisme de fonctionnementOui: un modèle de réseau neuronal profond a été formé à l'aide d'un ensemble de données contenant un grand nombre d'images, y compris des images de bons produits étiquetés « qualifiés» et des images de produits défectueux étiquetés « non qualifiés» avec des zones de défauts clairement étiquetées.

Un entraînement complet utilise généralement environ1 million d'images de produits qualifiés et 2,5 millions d'images de défauts.Les images qualifiées comprennent non seulement des produits sans défauts, mais aussi des bulles d'air, des marques graduées, des logos gravés et d'autres facteurs perturbateurs prévisibles.

Les images des défauts couvrent les types de contamination courants dans les produits pharmaceutiques, tels que la contamination par le verre, les particules et les métaux, et les types de défauts ne doivent pas être exhaustifs. Une fois la formation terminée, le modèle est capable d'apprendreDifférencier les produits qualifiés avec des caractéristiques normales d'interférence des produits défectueux- Oui.

Crédit photo: photo de la nouvelle exposition weist

En fonctionnement réel, le dispositif de détection prend une décision de conformité / non - conformité sur plusieurs images de chaque produit et entre dans le modèle.Le modèle donne une décision « qualifiée» lorsque toutes les caractéristiques de l'image correspondent aux caractéristiques attendues du produit qualifié; Une décision de « non - conformité » est donnée dans l'un ou l'autre des cas suivants:Premièrement, certaines caractéristiques correspondent au modèle de déficit appris pendant l'entraînement; Deuxièmement, certaines caractéristiques ne correspondent pas au profil caractéristique du produit admissible, même si elles ne correspondent pas directement à un type particulier de défaut.

La deuxième décision suit le principe « fail - Safe », qui garantit que tout produit potentiellement problématique est étiqueté pour une évaluation plus approfondie. L'équipement d'inspection peut également détecter les défauts de capsulage, les défauts d'apparence du récipient, ainsi que le contrôle du volume de remplissage et d'autres éléments, chaque catégorieModèle de réseau neuronal profond avec entraînement indépendantLa méthode est fondamentalement cohérente.

　　Efficacité économique et indicateurs de performance

　　L'inspection automatisée par l'IA permet d'importantes économies de coûts en réduisant les coûts de main - d'œuvre, en réduisant les taux de rebut et en évitant les pertes liées aux rappels.Des technologies d'inspection visuelle plus avancées réduisent également les coûts de conformité, préviennent les dommages à la réputation causés par des problèmes de qualité et évitent la perte d'opportunités de marché. La plus grande économie de coûts provient de la réduction des déchets: le taux d'élimination par erreur peut être réduit d'environ 15% à 2%, ce qui équivaut à sauver 13% du produit fini qui aurait été jeté inutilement.

La performance d'un système de détection est généralement évaluée à l'aide de deux indicateurs de base: le taux d'échec (faux négatifs) et le taux d'erreur (faux positifs / faux rejets). Le taux de défaut d'inspection fait référence à la proportion de produits défectueux qui n'ont pas été éliminés par le système de détection, tandis que le taux d'erreur d'inspection fait référence à la proportion de produits qualifiés qui ont été jugés à tort non conformes. La probabilité de détection (POD) ou taux de détection est la contre - valeur du taux de détection manqué, calculée de la manière suivante: 1 - taux de détection manqué.

Selon la pharmacopée des États - Unis, la détection visuelle est un processus probabiliste plutôt qu'absolu, dont la capacité de détection est influencée par des facteurs tels que la taille des particules, la forme, la couleur, la densité et la réflectivité. La limite de résolution théorique de l'œil humain est d'environ 11 μm, mais la capacité de résolution réelle est plus proche de 85 à 100 μm. La détection manuelle de Pod pour des particules de 50 µm n'est que légèrement supérieure à 0% dans des conditions contrôlées; Environ 40% pour une seule particule sphérique de 100 µm telle que des microsphères de polystyrène; Environ 70% pour des particules de 150 µm; Pour les particules de 200 μm et plus, il peut dépasser 90%.

Dans les récipients en verre, les différences de performance entre les différentes méthodes de détection sont particulièrement évidentes, car les particules de verre deviennent le principal risque de contamination par délaminage ou rupture. Des études ont montré que la détection manuelle ne permet d’identifier qu’environ 40% des produits contenant une seule particule de verre de 50 à 400 μm; Les systèmes d'inspection automatisés traditionnels peuvent généralement détecter environ 90%;Le taux de détection du système d'inspection visuelle de l'IA peut atteindre 98,5%, avec un taux de détection manqué de seulement 1,5%.. Ces améliorations augmentent considérablement le niveau de sécurité et d'assurance de la qualité des produits stériles.

Pour les récipients en plastique, les différences de performance sont d'autant plus importantes que les corps étrangers sont plus difficiles à distinguer dans les matériaux transparents. La détection manuelle a un Pod d'environ 25% pour une seule particule de plastique, qui monte à environ 45% en présence de 5 particules de 400 µm. Les systèmes automatisés traditionnels ont un taux de détection d'environ 65%, tandis que les systèmes d'inspection ai peuvent atteindreEnviron 95%En termes de taux d'élimination par erreur, la vision industrielle traditionnelle est souvent perturbée par des bulles et des caractéristiques d'apparence, avec des taux d'élimination par erreur allant jusqu'à 10 à 20%, tandis que les systèmes aiEnviron 2%Le niveau de détection est comparable à celui de la détection humaine.

　　Défis et solutions de mise en œuvre

Passant de l'inspection automatisée manuelle ou traditionnelle à l'inspection automatisée par l'IA, les fabricants doivent relever un certain nombre de défis avec prudence. L'un des principaux défis consiste à fixer des seuils de décision d'admissibilité clairs. Cela diffère considérablement de la détection manuelle, dont les critères d'éligibilité sont souvent communiqués verbalement et relativement vagues. Dans la phase initiale de mise en œuvre, les entreprises pharmaceutiques rencontrent souvent des problèmes avec différents secteurs tels que la qualité, la production et les finances sur la fixation du seuil de la machine.Un consensus doit être atteint grâce à une gestion efficace du changement et à la coordination des parties prenantes.

Crédit photo: photo de la nouvelle exposition weist

Une mise en œuvre réussie nécessite également un processus de validation complet pour démontrer que le nouveau système est équivalent ou supérieur aux méthodes existantes. Les entreprises doivent mettre en place un système de formation bien établi pour le personnel qui exploite le nouveau système, élaborer des pratiques opérationnelles normalisées (SOP) pour adapter les processus d’ia et assurer leur intégration transparente avec les systèmes de gestion de la qualité existants. Dans le même temps, les exigences de gouvernance des données doivent également être respectées, notamment la construction rationnelle des ensembles de données, la gestion des écarts et la documentation complète du processus de développement et de validation des modèles.

　　Développement technologique futur

Les technologies de détection visuelle continuent d'évoluer dans le but d'atteindre de meilleures performances et une plus grande applicabilité. L'une des priorités actuelles de R & D est la construction d'un modèle plus générique de réseau neuronal de vision par ordinateur,Une tendance similaire à celle du modèle Big language.À ce stade, il est souvent nécessaire de former le modèle séparément pour différentes spécifications de récipient ou même pour différents liquides. Compte tenu des similitudes entre les échantillons qualifiés et les échantillons défectueux et des progrès récents dans les algorithmes, l'industrie tente de fusionner différents modèles pour former un modèle de détection universel unifié. Cela permettra non seulement de réduire la charge de travail des clients en matière de changement de modèle et de réduire les risques opérationnels, mais également de réduire considérablement le fardeau des étalonnages répétés des fabricants d'équipements.

La profondeur de champ limitée de l'imagerie de la caméra a limité la capacité de détection pendant des années, en particulier lors de la détection de particules minuscules dans des récipients relativement grands tels que des bouteilles de 30 ml de cillin. Grâce aux capacités prédictives de l’ia, les chercheurs développent des algorithmes pour prédire la trajectoire du Mouvement des particules dans l’espace tridimensionnel en analysant les 20% supérieurs de la séquence d’images et en contrôlant la lentille liquide en temps réel pour ajuster le plan focal. Cette méthode peutSurmonter les limites de faible profondeur de champObtenez des images plus nettes des particules soupçonnées, ce qui réduit le taux de non - détection de 2% à 0,2% et augmente le taux de détection de 98,5% à 99,8%.

La technologie avancée de vision artificielle permet également une classification et une caractérisation plus fines des défauts, fournissant aux fabricants des informations plus approfondies sur les sources et les modes de pollution. Les algorithmes d'apprentissage automatique sont capables d'identifier les tendances d'apparition de défauts, ce qui permet une maintenance prédictive et une optimisation des processus.Cela permet d'étendre la valeur de l'IA d'un seul lien d'inspection au domaine plus large de l'intelligence manufacturière.

　　Considérations stratégiques de mise en œuvre

　　L'introduction réussie de tests visuels pharmaceutiques basés sur l'IA nécessite une planification systématique aux niveaux technique, réglementaire et organisationnel.Le fabricant évalue l'infrastructure existante de contrôle de la qualité, identifie les possibilités d'amélioration spécifiques et élabore des options de mise en œuvre par étapes afin de minimiser l'impact sur les opérations de production. Les facteurs réglementaires devraient être intégrés dans les choix techniques et les stratégies de validation afin de préparer les futurs changements réglementaires tout en respectant les exigences actuelles.

　　La formation est tout aussi essentielle que la gestion du changement.Les employés doivent comprendre les nouvelles technologies et s’adapter à de nouvelles façons de travailler. Les inspecteurs de qualité doivent maîtriser les méthodes de vérification et de surveillance continue des systèmes d'IA, tandis que le personnel de production doit se familiariser avec le fonctionnement des systèmes automatisés et les processus de traitement des anomalies. Le soutien de la direction et une communication claire sur les avantages de la mise en œuvre contribuent à assurer l'identification au niveau organisationnel et le succès de la technologie.

Au niveau financier, les décideurs devraient se concentrer non seulement sur l'apport initial en capital, mais aussi sur une évaluation intégréeGains opérationnels à long termeY compris la réduction des déchets, l'amélioration des capacités de conformité et l'amélioration de la qualité des produits. L'analyse du coût total de possession devrait porter sur les économies de main - d'œuvre, la réduction des risques de rappel et les avantages concurrentiels découlant de l'excellence des capacités de contrôle de la qualité.

　　conclusion

L'industrie pharmaceutique se trouve à un nœud historique crucial. De la détection manuelle au système ai, ce qui est réalisé est un énorme saut en précision,Il ne s'agit pas seulement d'une mise à niveau technologique, mais d'un changement fondamental dans la façon dont nous protégeons la santé humaine.Les fabricants qui adoptent ce changement ne se contentent pas de mettre à jour leurs appareils, mais établissent un leadership et gagnent la confiance dans une industrie où « la précision est la vie».

Les performances de la détection humaine et des méthodes traditionnelles sont proches de la limite supérieure, tandis que la détection basée sur l'IA continue de progresser avec les percées algorithmiques. Le taux de détection futur devrait approcher les 99,8%, traduisant les objectifs ambitieux d'aujourd'hui en normes minimales de demain. Cette technologie a dépassé les indicateurs commerciaux et est devenue un outil essentiel pour la protection de la santé mondiale:Chaque médicament contaminé intercepté avec succès est la garde d'un patient.

Avec des exigences réglementaires de plus en plus strictes et un environnement de marché en constante évolution,La détection visuelle par l'IA passe d'une technologie émergente à une infrastructure critique.Les fabricants qui seront les premiers à déployer cette technologie créeront un avantage concurrentiel de plus en plus difficile à reproduire. Dans un environnement réglementaire où les capacités de contrôle de la qualité déterminent l'accès au marché et la durabilité opérationnelle, les tests de qualité basés sur l'IA sont devenus un élément central de l'excellence future de la fabrication pharmaceutique.

Références:

Chooi, W.H., et al. (2022) contamination par les vaccins: causes et contrôle, 《Vaccine》。 Disponible dans la base de données PMC (consulté le 20 août 2025)

(2021) Détection de corps étrangers visibles par injection – lignes directrices pour l’industrie, Food and Drug Administration (FDA) des États - Unis. Disponible dans le document officiel de la FDA (consulté le 20 août 2025)

(2014) United States pharmacopeia, chapitre 790. Disponible sur le site officiel de l'USP (consulté le 21 août 2025)

(2025) Annexe 22 des BPF: intelligence artificielle, projet de document de la Commission européenne. Disponible dans le secteur de la santé de l'UE (date d'accès: 20 août 2025)

(2011) Annexe 11 des BPF: systèmes informatisés, Commission européenne. Disponible dans le secteur de la santé de l'UE (date d'accès: 20 août 2025)

(2022) Annexe 1 des BPF: fabrication de produits médicaux stériles. Disponible sur les documents officiels de l'UE (date d'accès: 21 août 2025)

7. « Visual Detection Using Machine Learning / AI », Pharmaceutical Engineering (novembre - décembre 2020). Disponible sur le site officiel de l’ispe (consulté le 20 août 2025)

Xin weisheng (2025), Étude comparative des performances d'inspection visuelle pilotée par l'IA et des dispositifs d'inspection visuelle traditionnels, données de recherche internes, non publiées

Cherris, R. (2016) Détection visuelle des injections - présentation de la classe de maître ngvf, PDA/PharmOut。 Disponible sur le site officiel de pharmout (consulté le 21 août 2025)

Mazaheri, M., et al. (2024) surveillance des particules visibles dans les préparations parentérales par dépistage manuel - réévaluation des seuils de taille et autres caractéristiques des particules qui définissent la visibilité des particules, 《Journal of Pharmaceutical Sciences》。 Disponible sur ScienceDirect (consulté le 28 août 2025)

Xin weisheng (2025), prévisions d'entreprise pour le taux de détection de la vision de l'IA à l'avenir, estimations internes, non publiées

Dernier article :En automne au CIPM 2025: ingéniosité, confiance, changement

Article suivant :