AI驱动制药 pellet（颗粒）挤出-滚圆工艺优化：基于机器学习的配方设计与生产决策框架

为解决制药 pellet 生产中配方与工艺协同优化的难题，研究人员通过整合机器学习（KNN、XGBoost、深度学习等）、可解释性技术（SHAP/LIME）和频繁模式挖掘（FP-Growth），构建了准确率>95%的质量预测模型，揭示挤出速度、滚圆温度等关键参数，形成可落地的生产决策树，为智能化制药提供新范式。

　　

这项研究开创性地将人工智能技术引入制药 pellet（颗粒）的挤出-滚圆（extrusion-spheronization）生产工艺。通过系统分析158组制药颗粒数据，研究团队构建了包含K近邻（KNN）、逻辑回归、随机森林（RF）、XGBoost和深度分类器在内的机器学习模型群，其中深度学习与XGBoost表现尤为亮眼——准确率突破95%，F值高达97%⁺
。

借助可解释性AI工具SHAP和LIME，科学家们成功解码了影响颗粒质量的关键"配方密码"：挤出机转速、滚圆盘线速度以及干燥温度梯度等工艺参数构成核心调控网络。更妙的是，通过FP-Growth算法挖掘出的关联规则显示，微晶纤维素（MCC）与羟丙甲纤维素（HPMC）的特定配比会显著影响颗粒的圆整度。

最终生成的决策树模型（准确率88.47%）已转化为可视化看板，实时指导生产参数调优。这项技术不仅让制药颗粒的合格率提升近20%，更建立了"数据驱动-模型预测-即时反馈"的智能生产闭环，为制药4.0时代提供了教科书级的示范案例。