Echtzeit-Anomalieerkennung in der Biopharma: Über traditionelle Machine-Learning-Algorithmen hinaus

In einem so streng regulierten Bereich wie der Biopharma-Industrie ist eine einzige mikroskopisch kleine Textilfaser oder ein winziger Glasriss nicht nur ein Defekt, der zum Verlust einer Produktcharge führt, sondern eine Verbindlichkeit in Millionenhöhe. Da die Patientensicherheit auf dem Spiel steht, kann das menschliche Auge nicht der Goldstandard der pharmazeutischen Qualitätssicherung sein. Stattdessen ist eine zuverlässige visuelle Inspektion in der Pharma durch KI-gestützte Systeme unerlässlich.

In vielen Fällen können selbst ML (traditionelle Algorithmen) das Problem nicht lösen, und Biopharma-Unternehmen benötigen fortschrittlichere Technologien wie Computer Vision und Deep Learning zur Anomalieerkennung, d. h. kognitive Überwachung.

Im Jahr 2024 wurde der Machine-Vision-Markt mit 14,81 Milliarden US-Dollar bewertet, und diese Zahl soll bis 2032 auf 22,59 Milliarden US-Dollar ansteigen, was einer durchschnittlichen jährlichen Wachstumsrate von 8,7 % entspricht.

Was visuelle Anomalieerkennung in der Biopharma ist, wie sie funktioniert, warum sie an Popularität gewinnt, welche Vorteile diese Technologie bringt und wie die visuelle Überwachung in Ihrem speziellen Fall umgesetzt werden kann – lesen Sie weiter, um die Antworten zu finden.

Was ist Echtzeit-Anomalieerkennung in der Biopharma?

Anomalieerkennung im pharmazeutischen Sektor ist der Prozess, bei dem automatisierte Systeme ungewöhnliches Verhalten in biologischen Prozessen (wie Zellwachstum oder Proteinproduktion) in Echtzeit erkennen, noch bevor die Charge fertiggestellt ist. Im Gegensatz zu herkömmlichen Methoden, bei denen man mehrere Tage auf Laborergebnisse warten muss, um Fehler zu erkennen, entdeckt die Echtzeit-Visuelle Inspektion in der Pharma winzige Probleme sofort.

So sieht der gesamte Prozess aus:

• Datenerfassung. Das System sammelt einen kontinuierlichen Datenstrom von physischen IoT-Sensoren (Temperatur, pH-Wert, gelöster Sauerstoff, Druck) und spezialisierten Kameras (hochauflösende Videos und Bilder).

• Erstellung einer Golden-Charge. Bevor der Anomalieerkennungsprozess startet, muss der Goldstandard festgelegt werden. Dies geschieht durch das Einlesen historischer Daten aus Hunderten erfolgreicher Chargen in ein ML-Modell und die Erstellung eines mehrdimensionalen digitalen Zwillings.
• Analyse. Die eingehenden Echtzeitdaten werden mit dem Basismodell verglichen. Alle wesentlichen Aspekte werden berücksichtigt, zum Beispiel kann die Temperatur normal sein, während der Sauerstoffverbrauch schneller als erwartet abnimmt. In dieser Phase wird jede noch so kleine Anomalie identifiziert, die für die menschlichen Bediener nicht sichtbar ist.
• Automatisierte Alarmierung. Sobald eine Anomalie erkannt wird, löst das System einen Alarm aus (um die Ingenieure zu benachrichtigen, dass sie die Anlage prüfen sollen), liefert eine Ursachenanalyse (zeigt also genau, was die Abweichung verursacht hat) und passt bei Bedarf automatisch die Nährstoffzufuhr an, um die Charge wieder in den sicheren Bereich zu bringen.

Echtzeit-Anomalieerkennung: Hauptvorteile

Im Gegensatz zu herkömmlichen sensorbasierten Methoden können Algorithmen für die Anomalie-Erkennung Ihrem pharmazeutischen Unternehmen erheblichen Mehrwert liefern.

• Qualitätskontrolle in der Pharmaindustrie. Algorithmen zur Anomalieerkennung auf Basis von maschinellem Lernen prüfen jede einzelne Einheit (Fläschchen, Spritzen, Tabletten) auf der Linie gründlich und erkennen mikroskopisch kleine Mängel (winzige Glassplitter oder Risse), die für das menschliche Auge nicht sichtbar sind. Auch Verunreinigungen werden frühzeitig erkannt, wodurch verhindert wird, dass Produkte von minderer Qualität jemals fertiggestellt werden.
• Kosteneinsparungen werden durch die Vermeidung von Batch-Verlusten erzielt. Fehlerhafte Medikamente und Ausrüstung werden nämlich innerhalb weniger Minuten entdeckt, und die Unternehmen vermeiden die katastrophalen rechtlichen und logistischen Kosten eines globalen Produktrückrufs.
• Optimierte Effizienz. Die automatisierte Anomalieerkennung übertrifft die manuelle Inspektion deutlich in Bezug auf Qualität und Zeitaufwand. Systeme der Computer Vision arbeiten mit der vollen Maschinengeschwindigkeit, sodass die Produktionslinie so schnell laufen kann, wie es die Hardware zulässt. Fachkräfte können bis zu 80 % ihrer Zeit einsparen und sie stattdessen in anspruchsvollere und weniger repetitive Aufgaben investieren.

• Schnellere Markteinführung wird durch zügigere Umwelt- und Zelltests (die 24 Stunden früher als bei manueller Inkubation durchgeführt werden), sofortige Echtzeit-Freigabetests (RTRT), beseitigte Engpässe beim Qualitätsmanagement in der Pharma-Branche sowie die prädiktive Wartung der Anlagen gewährleistet.

• Regulatorische Konformität. Die Automatisierung der Qualitätssicherung in der Pharma ermöglicht eine schnelle und strenge Einhaltung der industriellen Qualitätsstandards. Konkret liefert der digitale Prüfpfad die unveränderlichen Nachweise, die bei FDA- und EMA-Prüfungen erforderlich sind. Zudem wenden KI-gestützte Anomalie-Erkennungssysteme stets dieselben Regeln an und gewährleisten so die GMP-Konformität (Good Manufacturing Practice) von Produktionsanlagen.

Implementieren Sie Computer Vision mit Aetsoft

Nutzen Sie fortschrittliche Techniken zur Anomalieerkennung, um Ihr Unternehmen auf ein neues Effizienzniveau zu hebenNutzen Sie fortschrittliche Techniken zur Anomalieerkennung, um Ihr Unternehmen auf ein neues Effizienzniveau zu heben

Wichtige Anwendungsfälle der Anomalieerkennung

Gestützt auf Sensoren, Kameras und fortschrittliche KI-Algorithmen ermöglichen Anomalieerkennungssysteme eine deutliche Verbesserung Ihrer wesentlichen Arbeitsabläufe, einschließlich der Validierung pharmazeutischer Prozesse. Hier sind einige der gängigsten Beispiele für Anomalieerkennung in der Biopharma-Branche.

Fremdkörpererkennung

Dies ist ein automatisierter Prozess zur Erkennung unerwünschter Partikel in einem Produkt, insbesondere in Fläschchen, Spritzen und Ampullen. Um zu verhindern, dass solche mikroskopisch kleinen Partikel ins Blut eines Patienten gelangen (was lebensbedrohliche Komplikationen verursachen könnte), nutzt ein Anomalie-Erkennungssystem üblicherweise das SDI-Verfahren (Static Division Inspection):

• Hochgeschwindigkeitsrotation. Das Fläschchen wird mit hohen Umdrehungen pro Minute gedreht, damit die Flüssigkeit und eventuell vorhandene Partikel in Bewegung geraten. Wenn der Fläschchenhalter abrupt stoppt, wirbelt die Flüssigkeit aufgrund der Trägheit weiter.

• Kameraaufnahme und Anomalieerkennung. Die Kamera erfasst ein Video und eine Bildserie. Da der Behälter unbeweglich ist, wird alles, was sich im Video bewegt, als potenzieller Fremdkörper identifiziert. Dazu können Partikel aus dem Herstellungsprozess (Glasscherben, Gummifragmente, Edelstahlspäne), externe Verunreinigungen (Kleiderfasern, Staub, Haare) oder ungelöste Wirkstoffe gehören.

Überwachung von Zellkulturen

Automatisierte Anomalieerkennung lässt sich auch hervorragend im Bereich der Zellüberwachung einsetzen. Kameras werden direkt im Inneren oder an der Außenseite des Bioreaktors platziert, um die Zellen während ihres Wachstums zu überwachen. In der Regel werden folgende Schlüsselindikatoren kontrolliert, um die Qualitätskonformität in der pharmazeutischen Industrie sicherzustellen:

• Zellmorphologie, d. h. die Größe und Form der Zellen, wird überwacht, da gesunde Zellen bestimmte geometrische Merkmale aufweisen, während absterbende Zellen schrumpfen oder unregelmäßige Formen annehmen.

• Dichte. KI-basierte Algorithmen zur Anomalieerkennung berechnen den prozentualen Flächenanteil oder die Anzahl der Zellen pro Milliliter.
• Kontamination umfasst die Erkennung von Eindringlingen wie Bakterien oder Pilzen, die sich anders bewegen als die Produktionszellen.

Dann kommt die digitale Mikroskopie zum Einsatz:

• Bildaufnahme. Eine professionelle hochauflösende Kamera mit Mikroskopobjektiv fotografiert die Zellen in bestimmten Intervallen (z. B., alle 30 Minuten).
• Segmentierung. KI-Algorithmen trennen jede einzelne Zelle vom Hintergrund ab.

• Merkmalsextraktion setzt voraus, dass gleichzeitig Tausende von Zellen hinsichtlich Durchmesser, Rundheit und Körnigkeit vermessen werden.
• Anomalie-Markierung. Schließlich vergleicht das KI-gestützte Anomalie-Erkennungsmodell die aktuelle Wachstumskurve und Zellformen mit einer sogenannten Golden-Charge, um Anomalien zu bewerten.

Überprüfung der Container-Integrität und der Versiegelung

Ein weiteres Beispiel für visuelle Inspektion in der Pharma betrifft die Gewährleistung einer vollständig sterilen Verpackung für Arzneimittel. Während Sensoren die chemischen Eigenschaften des Arzneimittels kontrollieren, setzt die visuelle Überwachung die Erkennung physischer Barrieren voraus:

• Unversehrtheit von Fläschchen und Ampullen. Computer-Vision-Systeme erkennen Mikrorisse (wie Haarrisse im Glas), die bei der Highspeed-Abfüllung besonders anfällig für Belastungen sind.
• Bördelkappe Qualität. Dazu gehört die Sicherstellung, dass die Aluminium-Abdichtung perfekt um den Gummistöpsel gefaltet ist. Auch die Position des Stopfens wird kontrolliert. Das System erkennt schief sitzende Stöpsel, die Luft oder Bakterien durchlassen können.
• Die Spritzen-/Kolbenausrichtung ist die automatisierte Überprüfung, dass die Kolben korrekt sitzen. Außerdem muss die Nadel-Schutzkappe gerade und unbeschädigt sein.

Da eine Abweichung an jeder beliebigen Stelle auftreten kann, wird ein komplexer Prozess durchgeführt:

• Synchronisation mehrerer Kameras. Um die Behälter während der Bewegung zu analysieren, werden mehrere (bis zu 6 Stück) Hochgeschwindigkeitskameras installiert. So wird das Fläschchen aus jedem Blickwinkel (von oben, unten und den Seiten) erfasst.

• Spezialisierte Optik wird eingesetzt, wie z. B. polarisiertes Licht oder Dunkelfeldbeleuchtung. Dadurch wird eine Anomalie für die KI sichtbar.
• Bildzusammensetzung. Ein Anomalie-Erkennungssystem wandelt die 3D-Viole in eine 2D-Karte um, damit die KI Unregelmäßigkeiten erkennen kann.
• Abweichungsanalyse. Der reale Container wird mit einem digitalen Zwilling eines perfekten Containers verglichen. Dabei werden Unregelmäßigkeiten wie gezackte Linien, unerwartete Schatten oder Oberflächenbrüche erkannt.

Etikettierung und Codierung

Ein letzter Kontrollschritt, die Kennzeichnung, Codierung und Serialisierung, ist ein weiteres Beispiel für maschinelles Lernen zur Anomalieerkennung. Hier wird visuelle Überwachung eingesetzt, um sicherzustellen, dass das Medikament vor dem Verlassen des Werks korrekt identifiziert, gesetzeskonform, ordnungsgemäß beschriftet und nachverfolgbar ist.

Spezielle Kameras, die Objekte mit Geschwindigkeiten von über 400 Einheiten pro Minute erfassen können, werden installiert, um hochauflösende Bilder des bedruckten Bereichs zu erzeugen. Anschließend nutzt das System Optical Character Recognition (OCR), um den Text zu lesen und Pixel in Daten umzuwandeln. Diese Daten werden dann mit dem „Golden Template“ verglichen, um zu analysieren, ob sie exakt übereinstimmen.

Hier sind einige typische Anomalien, die KI erkennen kann:

• Anomalien bei der physischen Etikettierung. Fehlausrichtung und Verzerrung (wenn Etiketten nicht zentriert, geneigt usw. sind), Oberflächenfehler (Falten, Blasen), Beschädigungen (Risse, Knicke, fehlende Teile) und Anwesenheitsfehler (fehlendes Etikett, falsche Etikettenvariante).

• Anomalien in der Druckqualität. Probleme mit der Lesbarkeit (verschmierter, unscharfer oder blasser Text), inhaltliche Diskrepanzen (fehlende Chargennummern, Verfallsdaten oder regulatorische Symbole).
• Anomalien in Serialisierung und Nachverfolgbarkeit, die für die Konformität mit DSCSA oder EU FMD entscheidend sind: beschädigte 2D-DataMatrix-Codes, Duplikate von Seriennummern, „Parent-Child“-Lücken, Sequenzfehler.

Umgebungsüberwachung

Visuelle Inspektion in der pharmazeutischen Fertigung bedeutet, die Sterilität des „Reinraums“ sicherzustellen. Mit anderen Worten handelt es sich um eine hochvolumige Untersuchung von Luft- und Oberflächenproben.

• Automatisierte Koloniezählung. Dazu gehört der Einsatz einer hochauflösenden Kamera und KI-Software, um den Prozess der Identifikation und Zählung von Colony Forming Units (CFUs) auf Agarplatten zu automatisieren. Jeder einzelne bakterielle oder pilzliche Fleck (Kolonie) wird erkannt und mit einem digitalen Tag markiert. Die Präzision auf Pixelebene hilft, menschliche Fehler zu eliminieren.
• Die frühzeitige Erkennung von Koloniewachstum bedeutet, dass Bakterien erkannt werden, bevor sie für das menschliche Auge sichtbar sind, wodurch sich die Zeit von 5 Tagen auf 24 bis 48 Stunden verkürzt. Zu diesem Zweck wird eine Kamera im Inkubator angebracht, die alle paar Stunden Fotos der Petrischale macht. Werden winzige Veränderungen in den Pixeln festgestellt, bedeutet dies, dass eine Kolonie zu wachsen beginnt, was Menschen dabei hilft, eine Kontamination frühzeitig zu erkennen und das Problem zu beheben.
• Die Verfolgung von Luftpartikeln setzt den Einsatz spezieller Kameras und Lasersensoren in kritischen Bereichen voraus, um die Bewegung von Staub, Tröpfchen oder Mikroben, die in der Luft des Reinraums schweben, zu erfassen und zu kartieren. Eine solche visuelle Überwachung hilft dabei, den Weg der Partikel nachzuvollziehen, also genau zu ermitteln, woher der Schmutz stammt, die Ursache zu beheben und sofort Alarm zu schlagen, um die Arbeit zu stoppen und eine Kontamination der Medikamente zu verhindern.

Implementierung mit Aetsoft

Damit Mechanismen zur Anomalieerkennung einwandfrei funktionieren, arbeiten Sie mit einem Experten zusammen, der umfassende Kompetenzen in Künstlicher Intelligenz und Computer Vision mitbringt. Wir bei Aetsoft stehen Ihnen in jeder Phase des Implementierungsprozesses zur Seite:

• Umfassende KI/ML-Beratung
• Komplette Hardware-Einrichtung
• Dediziertes KI-Modelltraining, -entwicklung und -anpassung
• Entwicklung vollwertiger KI-Software für die visuelle Inspektion

Sie können sich auch darauf verlassen, dass wir höchste Qualität, absolute Sicherheit, Skalierbarkeit und die vollständige Einhaltung aller regulatorischen Vorgaben gewährleisten. Kontaktieren Sie unser Team, um Ihr zukünftiges Projekt zur Anomalieerkennung im Biopharma-Bereich zu besprechen.

Häufig gestellte Fragen

Wie lange dauert die Einführung der visuellen Inspektion?

Der Zeitrahmen variiert erheblich und hängt von verschiedenen Faktoren ab, darunter die Komplexität Ihres Projekts, der erforderliche Automatisierungsgrad und die Frage, ob intern Kompetenzen im Bereich Computer Vision vorhanden sind usw. Im Allgemeinen kann dieser mehrstufige Prozess drei bis zwölf Monate in Anspruch nehmen.

Welche Herausforderungen gibt es bei der Implementierung eines Modells zur Anomalieerkennung?

Eine der häufigsten Hürden ist der Mangel an Daten. Damit Ihre Modelle zur Anomalieerkennung reibungslos funktionieren, sollten Sie sie mit riesigen Mengen vielfältiger Datensätze trainieren. Ein erfahrenes Entwicklungsunternehmen für maschinelles Lernen kann Ihnen bei dieser Herausforderung helfen.

Hardware- und Edge-Integration kann ein weiteres Problem darstellen, da die Verarbeitung hochauflösender Videos enorme Rechenleistung erfordert. Hier lohnt es sich, mit einem IoT-Spezialisten zusammenzuarbeiten. In dieser Hinsicht sollten Sie überlegen, mit einem Experten für IoT-Implementierung zusammenzuarbeiten.

Wie kann ich feststellen, ob mein Unternehmen eine visuelle Inspektion benötigt?

Um zu beurteilen, ob die Integration von Computer Vision in Ihre Biopharma-Workflows geschäfts- und kosteneffizient ist, analysieren Sie Faktoren wie den Chargenwert (ob der Verlust einer einzigen Charge durch Kontamination oder andere Anomalien hohe Kosten verursacht), Produktionsengpässe (ob Ihre Verpackungslinien schneller arbeiten könnten) und Fehlalarmraten (ob Ihre aktuellen Sensoren gute Medikamente aussortieren).