[发明专利]利用卷积神经网络对冻干药物产品的缺陷检测

说明书

在一个实施例中，本发明公开了一种方法，所述方法包括：接收与药物产品容器相关联的一个或多个查询图像，所述一个或多个查询图像中的每一者均基于所述药物产品容器的特定角度；对于所述药物产品容器，通过使用目标机器学习模型处理所述一个或多个查询图像来分别计算与一个或多个缺陷指示相关联的一个或多个置信度分数；以及对于所述药物产品容器，分别基于所述一个或多个置信度分数与一个或多个预定义的阈值分数之间的比较来确定来自所述一个或多个缺陷指示的缺陷指示。

技术领域

本公开涉及使用诸如卷积神经网络的机器学习算法来检测和分类包括抗体在内的冻干蛋白质治疗剂的缺陷的检查系统和方法。

背景技术

2015年，全球蛋白质治疗剂市场价值为213亿美元，预计到2024年将增长到460亿美元以上。越来越多地采用和发展此类技术已强调了在处理、储存和分配蛋白质治疗剂方面的挑战，而蛋白质治疗剂通常比常规小分子药物更加不稳定。由于稳定性有限，通常将蛋白质药物产品冻干或冷冻干燥，以最大程度地减少降解和聚集以便储存和分配。冻干的三个处理步骤包括冷冻、初级干燥和次级干燥，这三个步骤一起除去蛋白质产品周围的大部分水，形成固体饼块产品。物理包装(通常在玻璃小瓶中)在冻干蛋白质治疗剂的稳定性中起着重要作用。例如，特殊的小瓶塞可排出水蒸气，通常会脱水以防止水分释放。此外，小瓶的玻璃允许在架子和小瓶之间进行有效的热传递。通常通过压接装有产品的小瓶的盖子来完成冻干蛋白质治疗剂的包装，一般要目视检查最终冻干蛋白质产品，以确保没有外来污染物和包装缺陷。

这些检查的主要挑战是在固体饼块中发现污染物。当液体产品快速旋转以通过其移动来识别可能的污染物，固体产品(诸如冻干蛋白质治疗剂)中的污染物是不可移动的，必须在视觉上定位。另外，污染物通常很小，导致通过人工检查进行的检测不一致。其他包装缺陷也可能会严重影响药物功效和安全性，诸如产品充填水平不当(例如，冻干蛋白质产品过多或过少)或小瓶中的裂缝都可能使冻干饼块暴露在外部湿气中。此外，还可识别出诸如轻微玻璃冲击裂纹或划痕的外观缺陷，以识别潜在的制造问题。一般使用多种手动和自动检查技术来检查已充填的小瓶，但它们必须相对快速，避免影响药物产品。图1示出了冻干蛋白质治疗剂的小瓶的人工检查过程100的示例。可以看出，过程100可包括六个步骤，即清洁小瓶、检查充填水平、检查其他缺陷、标记缺陷、记录和排序以及完成检查。图2示出了用于人工检查冻干蛋白质治疗剂的小瓶的示例性检查环境200。由于手动检查和自动检查都是完全视觉过程，因此很容易将小瓶上的“起雾”事件与小瓶划痕或甚至冲击裂纹混淆。“起雾”是指冻干后在玻璃小瓶上在产品饼块上方经常可以观察到的不同图案的白雾。尽管就药物疗效而言，玻璃小瓶的起雾在传统上被视为非关键性、纯粹的外观缺陷，但由于检查(手动或自动)方面的挑战，大量起雾事件可能导致冻干药物产品的制造困难。理想的是，检查技术应将起雾和玻璃缺陷高度准确地区分开，因为最近的研究表明，在制造期间不可能完全避免起雾。

发明内容

本文提供了改进包括抗体在内的冻干蛋白质治疗剂的缺陷检测的检查系统和方法。

在特定实施例中，本文公开的检查系统可通过使用复杂的机器学习算法来改进冻干药物产品中的缺陷检测。检查系统可利用人工神经网络来训练机器学习模型，该机器学习模型对冻干产品小瓶的图像进行分类。检查系统可使用迁移学习来减少机器学习模型训练所需的样本数。作为示例而非限制，可使用赫赛汀(曲妥珠单抗)产品的工业样品进行检查系统的开发。一旦开发了检查系统，它就可采集待检查小瓶的图像，使用机器学习模型对小瓶进行分类，并在使合格的小瓶通过的同时退回有缺陷的小瓶以进行进一步检查。