《International Journal of Pharmaceutics》:A two-stage hybrid framework for predicting fine particle fraction from SEM images using deep feature extraction and class-specific regression
编辑推荐:
•首个可直接从扫描电子显微镜(SEM)图像预测细颗粒分数(FPF)的可解释人工智能模型。•混合深度学习框架将FPF预测误差降低了约90%•基于不确定性的学习提高了模型的鲁棒性和准确性。•模型识别了支配吸入性能的形态学特征。•支持干粉吸入器的快速、可持续开发。引言近年来,肺部药
- •
首个可直接从扫描电子显微镜(SEM)图像预测细颗粒分数(FPF)的可解释人工智能模型。
- •
混合深度学习框架将FPF预测误差降低了约90%
- •
基于不确定性的学习提高了模型的鲁棒性和准确性。
- •
模型识别了支配吸入性能的形态学特征。
- •
支持干粉吸入器的快速、可持续开发。
引言
近年来,肺部药物递送受到研究人员和制药行业的广泛关注。由于肺部表面积大、肺血流量高且无首过代谢效应,该给药途径可提高药物的生物利用度(Agu等人,2001a,Agu等人,2001b)。除了用于治疗哮喘、慢性阻塞性肺疾病(COPD)和囊性纤维化等呼吸系统疾病外,吸入装置如今还可作为某些药物全身递送的载体(Huang和Wang,2006;Liang等人,2020)。该途径的成功主要取决于药物的空气动力学特性,其中细颗粒分数(FPF)被认为是衡量其疗效的重要指标(Labiris和Dolovich,2003)。FPF指的是直径小于5微米、能够到达肺部较深区域的颗粒比例。较高的FPF会增加药物递送到达目标部位的可能性。因此,在吸入粉剂制剂开发过程中,准确测量FPF至关重要(Labiris和Dolovich,2003)。尽管用于评估FPF的传统方法(如撞击装置)已经标准化,但它们存在一些局限性。这些方法成本高昂、劳动密集,且需要复杂的设备和经过培训的操作人员(Mitchell和Nagel,2003)。此外,装置性能、流速和环境条件的变化可能会影响结果,使这些方法不适合对大量制剂进行快速筛选(Ziffels等人,2015)。从过程可持续性角度来看,这些方法也不太理想,因为它们在产生实验室废弃物的同时消耗大量原材料和能源(Vora等人,2023)。
各种理化、制剂和工艺相关特性都可能影响吸入药物粉体的空气动力学性能。添加载体可通过改变颗粒间相互作用、药物-载体相互作用、粉体分散性和空气动力学行为来显著影响FPF(Salústio等人,2024)。载体的存在不仅很重要,其他制剂成分,包括细颗粒辅料和表面活性剂或力控制剂,也会影响颗粒相互作用和气溶胶化(Nikou等人,2026)。材料和制造及制剂工艺的特性可进一步改变这些特性(Chaurasiya & Zhao,2020)。因此,颗粒密度、颗粒间内聚力和附着力、静电荷、水分含量和粉体分散行为等因素都可能影响最终的空气动力学性能(Calvert等人,2009;Saeid等人,2025)。吸入装置和操作条件(包括气流)也会影响粉体的解聚和气溶胶递送(Singh等人,2021)。重要的是,这些因素并非独立发挥作用,最终可能通过颗粒和粉体的物理特性表现出来。在这些特性中,颗粒形态学尤其相关,因为它可以反映制剂和工艺的综合影响。
颗粒形态学(包括粒径、形状和表面特性)直接影响颗粒密度、分散性以及在吸入气流中的行为(Chan,2008a;Chan,2008b)。显微图像分析表明,颗粒表面形态在粉体分散中起着重要作用(Kou等人,2019)。因此,在制剂开发过程中研究和控制颗粒形态学至关重要。这种物理关系也为利用图像数据建模粉体空气动力学行为提供了合理依据(Jeong等人,2025)。
大多数制药研究通常使用扫描电子显微镜(SEM)来检查形态学特性,从而精确观察颗粒大小、形状、表面粗糙度和聚集模式(Iwata等人,2022)。尽管从SEM中获得的信息非常有价值,但研究人员主要将其用于定性分析,尚未充分探索图像数据在定量预测FPF方面的潜力。然而,计算机视觉和深度学习的最新进展为克服这一局限创造了新的可能性(Vora等人,2023)。这种方法能够基于SEM图像和智能算法实现可靠的FPF预测,减少对昂贵、耗时重复实验的需求。这些工具可以从图像中定量提取颗粒形态学特征,并利用先进的分析方法建立这些特征与颗粒空气动力学行为之间的关系(Jeong等人,2025)。
对以往研究的综述表明,这些技术在该领域具有巨大潜力。例如,Jiang等人(2022)使用薄膜冷冻(TFF)技术生产了134种干粉吸入制剂(DPI),形成了一个表格数据集。在评估了多个机器学习模型后,随机森林模型在预测FPF方面表现最佳,平均绝对误差为±7.25%。此外,卷积神经网络在分类来自三种不同药物制剂的316张SEM图像时达到了约83.86%的准确率。这些模型支持使用TFF技术制造的干粉吸入制剂开发,并可能显著减少相关工作量。在两项独立研究中,Iwata等人(2022)表明,基于迁移学习的卷积神经网络可以高精度地分类药物辅料SEM图像中的颗粒形态学差异。Iwata等人(2024)还发现,从这些模型的中间层提取特征提供了一种有效方法,用于识别颗粒形态学中的隐藏相似性。Wilkinson等人(2023)使用深度学习分析显微图像并预测药物粉体的流动性,从而显著减少了原材料需求。同样,Ficzere等人(2023)表明,机器视觉技术可以同时测定粉体混合物中的活性成分浓度和粒径分布,其准确性与参考方法相当。
然而,对这些研究的综述表明,研究人员尚未开发出全面、集成且完全自动化的框架,该框架可直接将原始SEM图像数据与吸入粉体FPF的连续、定量预测联系起来。现有研究要么专注于定性分析和基本图像分类,要么依赖手动提取的参数,而未充分利用高级深度学习架构的深度特征提取能力。因此,本研究旨在开发一种新型数据驱动方法,通过定量分析SEM图像和先进的机器学习算法来预测吸入粉体的FPF。我们并不引入制剂类别作为初步分类步骤,而是研究SEM图像中包含的形态学信息是否能在数据集中所代表的制剂空间内提供有用的FPF预测。这种方法旨在减少对昂贵、耗时实验方法的依赖,节约资源,减轻实验室工作量,加速制剂筛选,并提高制药行业的质量控制能力。
章节摘录
数据收集与预处理
本研究从两个来源收集了不同干粉吸入器(DPI)制剂的SEM图像:(a)德黑兰医科大学气溶胶研究实验室,包括此前已整理的可用出版物授权的学位论文图像;以及(b)经过版权审核的文献来源,包括文章、预印本和学位论文。研究团队记录了每个来源的文献信息、许可状态和权利依据。
所有样本
定量结果
训练分类和回归模型后,使用包含151个样本的测试集评估了两阶段流程的最终性能,该测试集约占完整数据集的20%。这些样本在基于不确定性的样本选择阶段已被排除。此外,来自同一制剂的图像仅被分配到训练集或测试集,以防止信息泄露。因此,报告的性能反映了在
讨论
本研究提出了一种从SEM图像预测FPF的新型两阶段流程。尽管数值结果(平均绝对误差约为2)表明预测性能强劲,但多项统计分析将测试集与原始数据集进行比较,以确定研究结果是否为虚假或过于乐观。这些分析评估了抽样标准是否改变了FPF值的基础分布,以及测试集是否充分代表了完整
结论
本研究提出了一种从SEM图像预测吸入粉体FPF的新型两阶段机器学习算法。将区间分类与类别特定回归相结合,实现了1.84的加权平均绝对误差(MAE),并在整个FPF范围内保持一致的性能。Grad-CAM分析证实,模型依赖于影响气溶胶行为的形态学特性,包括颗粒形状、聚集和孔隙率。这些发现表明,模型捕捉到了
生成式人工智能声明
在准备本作品过程中,作者使用Gemini(Google)为图形摘要生成了单个图形元素和组件。生成这些初始图像后,作者使用PowerPoint组装、排列和编辑了最终合成图像。作者根据需要审阅和编辑了内容,并对出版物的内容承担全部责任。
CRediT作者贡献声明
Mehran Panahi Arasi:撰写 – 初稿、软件、方法论、形式化分析、数据整理。Ali Asghar Safaei:撰写 – 审阅与编辑、验证、监督、方法论、形式化分析。Omid Tavakkol Hamedani:撰写 – 审阅与编辑、软件、方法论、调查、概念化。Melika Kiani:撰写 – 审阅与编辑、方法论、调查。Setayesh Oladi Ghadikolaei:撰写 – 审阅与编辑、调查、形式化分析。Sina Vasighi:撰写 –
资金支持
本研究得到了德黑兰医科大学药学院药物质量保证研究中心(TIPS)[资助编号 93703]的支持。
利益冲突声明
作者声明,他们不存在已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。
致谢
作者感谢德黑兰医科大学药学院药物质量保证研究中心(TIPS)的合作以及为本研究提供SEM图像。
Mehran Panahi Arasi|Ali Asghar Safaei|Omid Tavakkol Hamedani|Melika Kiani|Setayesh Oladi Ghadikolaei|Sina Vasighi|Alireza Vatanara|Fatemeh Moraffah