Tin vui! Kết quả kiểm tra thị giác AI của Tân Uy Thánh được đưa vào tạp chí dược phẩm uy tín của Anh

Về chúng tôi

Shanghai Xinweisheng Pharmaceutical Machinery Co., Ltd

Thông tin E-mail
yuting334@126.com
Điện thoại
Địa chỉ
Số 5995 Đường Huiyi, Quận Jiading, Thượng Hải

Ngày:2025-12-27Đọc:3

Nguồn ảnh: Xinwei Saint Show

Liên kết nguyên văn bài viết: https://international-pharma.com/navigating-ai-driven-pharmaceutical-visual-inspection/

Sau đây là bản dịch tiếng Trung của bài viết, hoan nghênh đọc và giao lưu!

Mô hình mới về kiểm soát chất lượng dược phẩm

Phát hiện trực quan do AI điều khiển

Ngành công nghiệp dược phẩm vẫn đang tiếp tục giải quyết những thách thức về kiểm soát chất lượng. Các phương pháp thử nghiệm truyền thống đã gặp khó khăn trong việc đáp ứng nhu cầu sản xuất hiện đại hóa, chẳng hạn như sự xuất hiện của các sự kiện ô nhiễm có mối quan tâm cao như các hạt thép không gỉ kim loại trong vắc-xin Moderna, phơi bày các điểm dễ bị tổn thương chính trong hệ thống hiện có ⁽⁾⁽⁾. Kiểm tra mắt nhân tạo vẫn dễ bị lỗi của con người, trong khi các hệ thống kiểm tra tự động truyền thống chỉ có thể xác định các khiếm khuyết mà chúng được lập trình trước để tìm kiếm. Với sự giám sát quy định ngày càng nghiêm ngặt và sự phức tạp của sản xuất ngày càng tăng, các nhà sản xuất đang rất cần các giải pháp mới.Công nghệ tự động hóa AI đại diện cho một sự phát triển tiên tiến trong lĩnh vực phát hiện trực quan, có thể bù đắp cơ bản cho những hạn chế của phát hiện con người và các phương pháp tự động hóa truyền thống.Phát hiện dựa trên AI hứa hẹn sẽ cách mạng hóa hệ thống đảm bảo chất lượng dược phẩm bằng cách cho phép sản xuất không có lỗi trong khi vẫn duy trì tính khả thi về mặt thương mại.

　Trình điều khiển quy định

Các cơ quan quản lý, bao gồm Cơ quan Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA), Cơ quan Dược phẩm Châu Âu (EMA) và Cơ quan Dược phẩm và Sản phẩm Y tế Anh (MHRA), đang dần yêu cầu các nhà sản xuất thể hiện khả năng kiểm soát chất lượng mạnh mẽ hơn ngoài các biện pháp tuân thủ truyền thống.

Quy tắc quản lý chất lượng sản xuất dược phẩm hiện hành (cGMP) bao gồm các yêu cầu kiểm soát ô nhiễm nghiêm ngặt.Được thiết kế để ngăn chặn các hạt nước ngoài gây nguy hiểm cho chất lượng thuốc và việc thực hiện các yêu cầu này đang được tăng cường trên thị trường toàn cầu.

Hướng dẫn công nghiệp của FDA về phát hiện vật thể lạ có thể nhìn thấy bằng tiêm yêu cầu rõ ràng: Tất cả các loại thuốc được sử dụng để tiêm phải được kiểm tra trực quan các vật thể lạ có thể nhìn thấy và bất kỳ thùng chứa nào tìm thấy các hạt có thể nhìn thấy phải được đánh giá là không đạt tiêu chuẩn và loại bỏ ⁽²⁾. Ngoài ra, các hướng dẫn trong Dược điển Hoa Kỳ về các chất lạ có thể nhìn thấy bằng cách tiêm quy định rằng lô "về cơ bản không có chất lạ có thể nhìn thấy" phải được chứng minh bằng cách kiểm tra trực quan 100% trước khi phát hành sản phẩm. Các quy định này nhấn mạnh tầm quan trọng chính của khả năng kiểm tra toàn diện trong sản xuất dược phẩm.

Hiện chưa có quy định chính thức nào được đưa ra cụ thể cho AI, nhưng EU đã soạn thảo Phụ lục 22 (Trí tuệ nhân tạo) và Phụ lục 11 (Hệ thống máy tính hóa) của GMP và vẫn đang trong giai đoạn xem xét. Một nguyên tắc quản lý cốt lõi dần được làm rõ trong dự thảo là: Trong các ứng dụng GMP quan trọng, chỉ có các mô hình tĩnh hoặc xác định mới được phép, trong khi các mô hình học động hoặc liên tục không áp dụng cho các kịch bản GMP quan trọng ⁽⁾⁽⁵⁾

Điều này có nghĩa là các mô hình AI được triển khai trong các thiết bị phát hiện trên dây chuyền sản xuất phải bị khóa và tĩnh, với khả năng tự học chỉ có sẵn trong giai đoạn phát triển hoặc cập nhật phiên bản trong tương lai, không tự động cập nhật mô hình trong quá trình sản xuất tại chỗ.

Do các quy định cụ thể về AI vẫn đang trong giai đoạn dự thảo, các thiết bị kiểm tra trực quan AI hiện vẫn được áp dụng cho cùng một khung pháp lý như các thiết bị kiểm tra truyền thống. Chính sách của EU về phát hiện thị giác tự động (AVI) nêu rõ: "Khi áp dụng các phương pháp phát hiện tự động, quá trình này phải được xác minh để có thể phát hiện các khuyết tật đã biết (có thể ảnh hưởng đến chất lượng hoặc an toàn của sản phẩm) và khả năng phát hiện của nó phải tương đương hoặc vượt trội so với các phương pháp phát hiện thủ công".

Nhiều hệ thống phát hiện tự động AIHỗ trợ các khung tuân thủ khác nhau bằng cách tạo ra một hồ sơ theo dõi kiểm toán đầy đủ để đáp ứng các yêu cầu về văn bản hóa theo quy định, do đó cung cấp cho các nhà sản xuất một hệ thống đảm bảo chất lượng có thể kiểm chứng và truy xuất nguồn gốc.

Tiến bộ công nghệ và khả năng

Công nghệ tự động hóa AI đại diện cho một cuộc cách mạng lớn trong lĩnh vực phát hiện thị giác, có thể giải quyết những hạn chế cơ bản của phát hiện con người và phát hiện tự động hóa truyền thống. Phát hiện thủ công dễ bị lỗi của con người, mệt mỏi và không phù hợp, trong khi phát hiện tự động hóa truyền thống chỉ có thể xác định loại lỗi được lập trình rõ ràng ⁽⁷⁾.Công nghệ tự động hóa AI có những lợi thế đáng kể, bao gồm khả năng xác định các lỗi mới và cải tiến liên tục thông qua các thuật toán lặp đi lặp lại, về cơ bản thay đổi mô hình phát hiện.

Thiết bị phát hiện dựa trên AI có thể giảm đáng kể tỷ lệ rò rỉ, tính toán sai tỷ lệ sản phẩm đủ điều kiện không đạt tiêu chuẩn từ10 – 20% giảm xuống khoảng 2% ⁽⁸⁾. Sự gia tăng đáng kể về độ chính xác này trực tiếp chuyển thành tiết kiệm chi phí đáng kể và giảm chất thải. Ngoài ra, công nghệ AI còn có thể phân tích chuỗi hình ảnh như video,Đánh giá khiếm khuyết nghi ngờ thông qua quỹ đạo chuyển động và chế độ xem đa gócTừ đó cung cấp đánh giá toàn diện hơn so với phân tích hình ảnh tĩnh.

AI tự động phát hiệnCơ chế hoạt độngCó: Các mô hình mạng nơ-ron sâu được đào tạo bằng cách sử dụng các bộ dữ liệu chứa nhiều hình ảnh, bao gồm các hình ảnh tốt được đánh dấu là "đủ điều kiện" và các hình ảnh sản phẩm bị lỗi được đánh dấu là "không đủ điều kiện" và các khu vực bị lỗi được đánh dấu rõ ràng.

Các bài tập thường được sử dụng trong khoảng1 triệu hình ảnh sản phẩm đủ điều kiện và 2,5 triệu hình ảnh khiếm khuyết. Hình ảnh đủ điều kiện không chỉ bao gồm các sản phẩm không bị lỗi mà còn có các yếu tố gây nhiễu có thể dự đoán được như bong bóng, dấu vết quy mô, logo khắc, v.v.

Hình ảnh khiếm khuyết bao gồm các loại ô nhiễm phổ biến trong các sản phẩm dược phẩm, chẳng hạn như ô nhiễm thủy tinh, hạt và kim loại, và các loại khiếm khuyết không cần phải được kết thúc. Sau khi hoàn thành đào tạo, mô hình có thể họcPhân biệt các sản phẩm đủ điều kiện với các tính năng can thiệp bình thường từ các sản phẩm bị lỗi。

Nguồn ảnh: Xinwei Saint Show

Trong hoạt động thực tế, thiết bị phát hiện sẽ thu thập nhiều hình ảnh cho mỗi sản phẩm và đưa vào mô hình để xác định sự phù hợp/không phù hợp.Mô hình đưa ra phán quyết "đủ điều kiện" khi tất cả các tính năng trong hình ảnh phù hợp với các tính năng dự kiến của sản phẩm đủ điều kiện; Trong bất cứ trường hợp nào sau đây thì đưa ra phán quyết "không đạt tiêu chuẩn":Thứ nhất, một số đặc điểm phù hợp với mô hình thiếu sót học được trong huấn luyện; Thứ hai, một số tính năng không phù hợp với hồ sơ đặc trưng của sản phẩm đủ điều kiện, ngay cả khi chúng không phù hợp trực tiếp với một loại khiếm khuyết cụ thể.

Phán quyết thứ hai tuân theo nguyên tắc "fail-safe" và đảm bảo rằng bất kỳ sản phẩm nào có vấn đề tiềm ẩn đều được dán nhãn để đánh giá thêm. Thiết bị phát hiện cũng có thể phát hiện khuyết tật nắp, khuyết tật xuất hiện của container và kiểm soát khối lượng điền và các mặt hàng khác, mỗi loại đềuMô hình Deep Neural Network được đào tạo độc lậpPhương pháp cơ bản nhất trí.

　　Chỉ số hiệu quả kinh tế và hiệu suất

　　Phát hiện tự động AI cho phép tiết kiệm chi phí đáng kể bằng cách giảm chi phí lao động, giảm tỷ lệ phế liệu và tránh tổn thất thu hồi.Công nghệ phát hiện trực quan tiên tiến hơn cũng làm giảm chi phí tuân thủ, ngăn ngừa thiệt hại danh tiếng do các vấn đề về chất lượng và tránh mất cơ hội thị trường. Tiết kiệm chi phí lớn nhất đến từ việc giảm chất thải: tỷ lệ loại bỏ sai có thể giảm từ khoảng 15% xuống còn 2%, tương đương với việc tiết kiệm 13% sản phẩm hoàn chỉnh có thể bị loại bỏ không cần thiết.

Hiệu suất hệ thống phát hiện thường được đánh giá bằng hai chỉ số cốt lõi: tỷ lệ rò rỉ (âm tính giả) và tỷ lệ sai (dương tính giả/loại bỏ sai). Tỷ lệ rò rỉ là tỷ lệ sản phẩm khiếm khuyết không bị hệ thống kiểm tra loại bỏ, mà tỷ lệ kiểm tra sai là tỷ lệ sản phẩm đạt tiêu chuẩn bị phán sai là không đạt tiêu chuẩn. Xác suất phát hiện (PoD) hoặc tỷ lệ phát hiện là phản giá trị của tỷ lệ rò rỉ được tính theo: 1 − tỷ lệ rò rỉ.

Theo Dược điển Hoa Kỳ, phát hiện trực quan là một quá trình xác suất hơn là tuyệt đối, và khả năng phát hiện của nó bị ảnh hưởng bởi các yếu tố như kích thước hạt, hình dạng, màu sắc, mật độ và độ phản xạ. Giới hạn lý thuyết cho sự phân biệt của mắt người là khoảng 11 μm, nhưng khả năng phân biệt thực tế là gần 85-100 μm. Trong điều kiện được kiểm soát, phát hiện thủ công của PoD trên các hạt 50μm chỉ hơn 0%; Khoảng 40% đối với các hạt hình cầu đơn lẻ, chẳng hạn như microsphere polystyrene, 100 μm; Khoảng 70% cho hạt 150μm; Đối với các hạt từ 200 μm trở lên có thể vượt quá 90% ⁽185º ⁾

Trong các thùng chứa thủy tinh, sự khác biệt về hiệu suất giữa các phương pháp phát hiện khác nhau đặc biệt rõ ràng do sự phân tầng hoặc vỡ khiến các hạt thủy tinh trở thành nguy cơ ô nhiễm chính. Nghiên cứu cho thấy rằng thử nghiệm thủ công chỉ có thể xác định khoảng 40% sản phẩm có chứa một hạt thủy tinh 50-400 μm duy nhất; Hệ thống kiểm tra tự động truyền thống thường có thể phát hiện khoảng 90%;Trong khi đó, tỷ lệ phát hiện của hệ thống phát hiện thị giác AI có thể lên tới 98,5%, tỷ lệ rò rỉ chỉ là 1,5% ⁽185⁾. Những cải tiến này làm tăng đáng kể mức độ an toàn và đảm bảo chất lượng của các sản phẩm vô trùng.

Đối với hộp nhựa, sự khác biệt về hiệu suất thậm chí còn đáng kể hơn vì các vật lạ khó phân biệt hơn trong vật liệu trong suốt. Việc phát hiện thủ công PoD cho các hạt nhựa riêng lẻ là khoảng 25% và tăng lên khoảng 45% khi có 5 hạt 400μm. Tỷ lệ phát hiện của các hệ thống tự động hóa truyền thống là khoảng 65%, trong khi các hệ thống phát hiện AI có thể đạt đượcKhoảng 95%. Về tỷ lệ loại bỏ lỗi, tầm nhìn của máy truyền thống thường bị xáo trộn bởi bong bóng và các tính năng xuất hiện, tỷ lệ loại bỏ lỗi lên đến 10-20%, trong khi hệ thống AIKhoảng 2%Tương đương với mức độ kiểm tra nhân tạo.

　　Thực hiện các thách thức và giải pháp

Chuyển từ phát hiện tự động hóa thủ công hoặc truyền thống sang phát hiện tự động hóa AI, các nhà sản xuất cần phải thận trọng trong việc giải quyết một loạt các thách thức. Một trong những thách thức chính là thiết lập một ngưỡng xác định rõ ràng về sự phù hợp. Điều này khác biệt đáng kể so với phát hiện thủ công, trong đó các tiêu chí đủ điều kiện có xu hướng được truyền đạt bằng lời nói và tương đối mơ hồ. Các công ty dược phẩm trong giai đoạn đầu thực hiện, thường gặp phải các vấn đề khác nhau về chất lượng, sản xuất và tài chính của các bộ phận khác nhau về thiết lập ngưỡng máy.Phải đạt được nhận thức chung thông qua quản lý cải cách hiệu quả và điều phối các bên liên quan đến lợi ích.

Nguồn ảnh: Xinwei Saint Show

Việc triển khai thành công cũng đòi hỏi một quy trình xác minh toàn diện để chứng minh rằng hệ thống mới tương đương hoặc vượt trội so với các phương pháp hiện có về hiệu suất. Các doanh nghiệp phải thiết lập một hệ thống đào tạo hoàn hảo cho những người vận hành hệ thống mới, phát triển các quy trình vận hành tiêu chuẩn (SOP) phù hợp với quy trình AI và đảm bảo tích hợp liền mạch với hệ thống quản lý chất lượng hiện có. Đồng thời, còn cần đáp ứng các yêu cầu quản trị dữ liệu, bao gồm xây dựng hợp lý các bộ dữ liệu, quản lý độ sai lệch, cũng như tài liệu hóa hoàn chỉnh quy trình phát triển và kiểm tra mô hình.

　　Phát triển công nghệ trong tương lai

Công nghệ phát hiện trực quan vẫn đang tiếp tục phát triển với mục tiêu đạt được hiệu suất cao hơn và khả năng ứng dụng rộng rãi hơn. Một trong những trọng tâm nghiên cứu và phát triển hiện nay là xây dựng một mô hình mạng lưới thần kinh thị giác máy tính linh hoạt hơn,Tương tự như xu hướng phát triển của các mô hình ngôn ngữ lớn.Giai đoạn hiện nay, thường thường cần huấn luyện mô hình nhằm vào quy cách thùng chứa khác nhau, thậm chí các loại dược dịch khác nhau. Với sự tương đồng giữa các mẫu đủ điều kiện và khiếm khuyết và những tiến bộ gần đây trong thuật toán, ngành công nghiệp đang cố gắng kết hợp các mô hình khác nhau để tạo thành một mô hình phát hiện chung thống nhất. Điều này không chỉ làm giảm khối lượng công việc của khách hàng trong việc chuyển đổi mô hình và giảm rủi ro vận hành mà còn giảm đáng kể gánh nặng hiệu chuẩn lặp đi lặp lại của các nhà sản xuất thiết bị.

Trong nhiều năm, giới hạn độ sâu trường ảnh của máy ảnh đã hạn chế khả năng phát hiện, đặc biệt là khi phát hiện các hạt nhỏ trong các thùng chứa tương đối lớn như chai Cillin 30ml. Với khả năng dự đoán của AI, các nhà nghiên cứu đang phát triển các thuật toán dự đoán quỹ đạo chuyển động của các hạt trong không gian ba chiều bằng cách phân tích 20% chuỗi hình ảnh đầu tiên và điều khiển ống kính lỏng trong thời gian thực để điều chỉnh mặt phẳng tiêu cự. Phương pháp này có thểVượt qua giới hạn độ sâu trường ảnh nôngĐể có được hình ảnh rõ ràng hơn về các hạt nghi ngờ, tỷ lệ rò rỉ đã giảm từ 2% xuống 0,2% và tỷ lệ phát hiện đã tăng từ 98,5% lên 99,8% ⁽͔⁾.

Công nghệ AI Vision tiên tiến cũng cho phép phân loại và mô tả lỗi chi tiết hơn, cung cấp cho các nhà sản xuất thông tin chuyên sâu hơn về nguồn và mô hình ô nhiễm. Các thuật toán machine learning có thể xác định xu hướng lỗi xảy ra và do đó hỗ trợ bảo trì dự đoán và tối ưu hóa quy trình.Điều này cho phép giá trị của AI mở rộng từ một liên kết phát hiện duy nhất sang lĩnh vực thông minh sản xuất rộng hơn.

　　Cân nhắc thực hiện chiến lược

　　Việc giới thiệu thành công các thử nghiệm trực quan dược phẩm do AI điều khiển đòi hỏi phải lập kế hoạch có hệ thống ở cấp độ kỹ thuật, quy định và tổ chức.Các nhà sản xuất nên đánh giá cơ sở hạ tầng để kiểm soát chất lượng hiện có, xác định các cơ hội cải tiến cụ thể và phát triển các chương trình thực hiện theo từng giai đoạn để giảm thiểu tác động đến hoạt động sản xuất. Các yếu tố pháp lý cần được đưa vào các chiến lược lựa chọn và xác minh công nghệ để chuẩn bị cho những thay đổi quy định trong tương lai trong khi đáp ứng các yêu cầu hiện hành.

　　Đào tạo cũng quan trọng như quản lý thay đổi.Nhân viên cần hiểu công nghệ mới và thích nghi với cách làm việc mới. Nhân viên kiểm tra chất lượng cần nắm vững các phương pháp xác minh và giám sát liên tục của hệ thống AI, trong khi nhân viên sản xuất cần làm quen với hoạt động của hệ thống tự động và các quy trình xử lý bất thường. Sự hỗ trợ của ban quản lý và giao tiếp rõ ràng về lợi ích của việc thực hiện giúp đảm bảo sự đồng nhất và thành công của công nghệ ở cấp độ tổ chức.

Ở cấp độ tài chính, các nhà hoạch định chính sách nên không chỉ tập trung vào đầu tư vốn ban đầu mà còn đánh giá tổng hợpLợi nhuận hoạt động dài hạnBao gồm giảm phế liệu, nâng cao năng lực hợp quy và cải thiện chất lượng sản phẩm. Phân tích tổng thể chi phí sở hữu phải bao gồm tiết kiệm lao động, giảm rủi ro thu hồi và lợi thế cạnh tranh do khả năng kiểm soát chất lượng vượt trội.

　　kết luận

Ngành công nghiệp dược phẩm đang đứng ở một nút lịch sử quan trọng. Từ phát hiện nhân tạo đến hệ thống AI, thực hiện bước nhảy vọt lớn về độ chính xác,Đây không chỉ là một nâng cấp công nghệ, mà còn đại diện cho sự thay đổi căn bản trong cách chúng ta bảo vệ sức khỏe con người.Các nhà sản xuất nắm lấy sự thay đổi này không chỉ cập nhật thiết bị mà còn thiết lập vai trò lãnh đạo và giành được niềm tin trong một ngành công nghiệp "chính xác là cuộc sống".

Hiệu suất của phát hiện con người và các phương pháp truyền thống đã gần đến giới hạn trên, trong khi phát hiện do AI điều khiển vẫn tiếp tục tiến bộ với các đột phá thuật toán. Tỷ lệ kiểm tra trong tương lai dự kiến sẽ đạt gần 99,8%, biến các mục tiêu tham vọng của ngày hôm nay thành tiêu chuẩn tối thiểu của ngày mai. Công nghệ này đã vượt qua các chỉ số kinh doanh để trở thành một công cụ quan trọng trong bảo vệ sức khỏe toàn cầu:Mỗi một loại thuốc gây ô nhiễm bị chặn thành công, đều là thủ hộ đối với một bệnh nhân.

Với các yêu cầu pháp lý ngày càng nghiêm ngặt và môi trường thị trường tiếp tục thay đổi,Phát hiện thị giác AI đang chuyển từ công nghệ mới nổi sang cơ sở hạ tầng quan trọng.Các nhà sản xuất đầu tiên triển khai công nghệ này sẽ tạo ra lợi thế cạnh tranh ngày càng khó sao chép. Trong một môi trường pháp lý nơi khả năng kiểm soát chất lượng xác định khả năng tiếp cận thị trường và tính bền vững của hoạt động, kiểm tra chất lượng do AI điều khiển đã trở thành một phần cốt lõi của sự xuất sắc trong sản xuất dược phẩm trong tương lai.

Tài liệu tham khảo:

Chooi, W.H., et al. (2022) Ô nhiễm vắc-xin: Nguyên nhân và kiểm soát, 《Vaccine》。 Có sẵn trong cơ sở dữ liệu PMC (truy cập ngày 20 tháng 8 năm 2025)

(2021) Kiểm tra các chất lạ có thể nhìn thấy bằng tiêm - Hướng dẫn công nghiệp, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA). Có sẵn trong các tài liệu chính thức của FDA (accessed ngày 20 tháng 8 năm 2025)

3. (2014) Dược điển Hoa Kỳ (United States Pharmacopeia), Chương 790. Có sẵn trên trang web chính thức của USP (Accessed ngày 21 tháng 8 năm 2025)

(2025) Phụ lục 22 của GMP: Trí tuệ nhân tạo (Annex 22: Artificial Intelligence), tài liệu dự thảo của Ủy ban châu Âu. Có sẵn trong ngành y tế của EU (Accessed August 20, 2025)

(2011) Annex 11: Computerized Systems (Phụ lục 11: Hệ thống máy tính) của GMP, Ủy ban châu Âu. Có sẵn trong ngành y tế của EU (Accessed August 20, 2025)

(2022) Phụ lục 1 của GMP: Sản xuất thuốc vô trùng (Annex 1: Manufacture of Sterile Medicinal Products). Có sẵn trong các tài liệu chính thức của EU (truy cập ngày 21 tháng 8 năm 2025)

Phát hiện thị giác bằng cách sử dụng học máy/trí tuệ nhân tạo, Kỹ thuật dược phẩm (tháng 11-12 năm 2020). Có sẵn trên trang web chính thức của ISPE (truy cập ngày 20 tháng 8 năm 2025)

Xin Weisheng (2025) Nghiên cứu về hiệu suất phát hiện thị giác do AI điều khiển so với các thiết bị phát hiện thị giác truyền thống, dữ liệu nghiên cứu nội bộ, không được công bố

10. Cherris, R. (2016) Kiểm tra trực quan tiêm - Trình bày lớp học thạc sĩ NGVF, PDA/PharmOut。 Có sẵn trên trang web chính thức của PharmOut (truy cập ngày 21 tháng 8 năm 2025)

Mazaheri, M., et al. (2024) Giám sát các hạt có thể nhìn thấy trong các chế phẩm tiêm bằng mắt nhân tạo - Đánh giá lại ngưỡng kích thước và các đặc tính hạt khác xác định khả năng nhìn thấy hạt, 《Journal of Pharmaceutical Sciences》。 Có sẵn tại ScienceDirect (Accessed: 28/08/2025)

Xin Weisheng (2025) Dự báo công ty về tỷ lệ phát hiện thị giác AI trong tương lai, ước tính nội bộ, không được công bố

Bài viết cuối cùng:Triển lãm CIPM 2025: Sáng tạo, tin tưởng và thay đổi

Bài viết tiếp theo: