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.
Wie während des PDA Visual Inspection Forums in Washington D.C. deutlich wurde, können Experten für Inspektionstechnologie die notwendigen Upgrades problemlos durchführen. Bei der Validierung hingegen ist ein Aspekt entscheidend: Im Gegensatz zu vielen anderen Branchen muss das Deep-Learning-Modell im pharmazeutischen Gebrauch „eingefroren“ werden, sobald die Entwicklungsphase abgeschlossen ist. Es muss statisch fixiert werden und darf sich nicht mehr verändern, damit es entsprechenden Validierungsanforderungen genügt.
KI in der visuellen Inspektion – weit mehr als eine Vision
Beim Einsatz von KI in der visuellen Inspektion geht es um viel mehr als Potenzial. Tatsächlich befinden sich einige Pilotprojekte bereits in einem Stadium unweit der realen Produktion. Bosch Packaging Technology arbeitet derzeit an einem solchen Projekt, bei dem Deep-Learning-Algorithmen zur Prüfung des Stopfenrandes von Spritzen auf der AIM 5023 Inspektionsmaschine implementiert werden. „Was man braucht, um in KI-Entwicklungen zu investieren, ist Mut und Expertise“, so Dr. Jose Zanardi, der bei Bosch Packaging Technology für die Entwicklung visueller Inspektionstechnologien zuständig und maßgeblich an dem Projekt beteiligt ist.
Die Pharmaindustrie ist für ihre Zurückhaltung gegenüber Innovationen bekannt. Dies ist vor allem auf die sehr strengen regulatorischen Richtlinien zur Prozessvalidierung zurückzuführen. „Ein so ehrgeiziges Projekt erfordert viel Erfahrung in der Software-Implementierung und Prozessvalidierung, eine Kombination, die nicht jeder Maschinenhersteller bieten kann. Doch nur so hat das Konzept eine Chance, es über die Ziellinie zu schaffen“, betont Zanardi. Bereits seit Beginn der 1970er-Jahre entwickelt Bosch Packaging Technology automatische visuelle Inspektionsmaschinen – gepaart mit fundierter Expertise in Prozessen, Implementierung und Validierung eine wichtige Voraussetzung für den Erfolg.
Keine Pauschallösung
Für Deep-Learning-Projekte in der visuellen Inspektion gibt es keine Pauschallösung. Stattdessen sollte der erste Schritt in der Vorabbewertung einer großen Anzahl unterschiedlicher Bilder von Referenzproben bestehen. In unserem Beispiel könnten das fehlerfreie Produkte mit Bläschen, verschiedene Stopfenpositionen, Produkte und Füllvolumina sowie unterschiedliche Arten von intrinsischen Partikeln sein. Basierend auf den verfügbaren Bilddaten schaffen Offline-Verifizierungsstudien die Grundlage für die Integration von Deep-Learning-Modellen in die bestehende Software. Im zweiten Schritt sollte ein kundenspezifisches Projekt mit Parametern wie Produkt, verfügbare Maschinen, Erwartungen und Zeitplan definiert werden.
Die oben stehende Grafik vergleicht die übliche Rezeptentwicklung und -validierung (links) mit der Deep-Learning-Methode (rechts): Der grundlegende Prozess ist identisch. Auch die Rezeptparameter sind weiterhin nach GMP-Anforderungen validiert. Das einzige, was sich verändert, ist das „Werkzeug“, mit dem die Prozesse entwickelt werden sowie die benötigte Hardware. Wie bereits erwähnt, ändert sich auch die Hardware nur geringfügig: Deep Learning erfordert Computer mit GPUs, die in der Lage sind, sehr komplexe und große Datenmengen zu verarbeiten. In einem deterministischen Deep-Learning-Modell werden kleine Pakete bis zu einem bestimmten Intelligenzgrad trainiert und dann eingefroren. Letzteres ist für die Validierung und die damit verbundenen behördlichen Zulassungsverfahren unabdingbar.
Ein möglicher Trendsetter für die Pharmaindustrie
„Wir sind davon überzeugt, dass diese Technologie in Zukunft Erkennungsraten von fast 99 % erreichen und zugleich den Pseudoausschuss um die Hälfte oder mehr reduzieren kann“, so Zanardi. Er ist zuversichtlich, dass die Deep-Learning-Anwendung in einem GMP-Umfeld implementiert werden kann – und dass sie sowohl für die Qualifikation als auch bei der Umsetzung regulatorische Unterstützung erhalten wird. Dies wird die Inspektion von schwer zu prüfenden Produkten wie lyophilisierte oder in komplexe Spritzen oder Doppelkammersysteme abgefüllte Pharmazeutika deutlich optimieren. So lassen sich nicht nur die Ausschussquote, sondern auch die Herstellungskosten senken.
Laut Kapitel 1790 der amerikanischen Pharmakopöe (USP) soll die Validierung des automatischen Inspektionsequipments auf dem Vergleich mit den Pharmakopöe-konformen manuellen Prüfverfahren beruhen. Alternative Prüfmethoden sollen eine gleichwertige oder bessere Leistung aufweisen. Auf das aktuelle Deep-Learning-Projekt trifft dies auf jeden Fall zu. Da die Richtlinien für die Implementierung automatischer visueller Inspektionsmaschinen auf die KI und alle ihre Teilbereiche angewendet werden, hat das Pilotprojekt gute Chancen, in die Serienproduktion zu gehen – und ein Trendsetter für eine ganze Branche zu werden.
Suchwort: phpro0419boschpackaging
Halle 1, Stand 204
Autor: Andreas Gross
Global Product Manager
Inspection Technology,
Robert Bosch Packaging Technology
