GMP环境中用AI：案例分析与合规范式转变

*题图仅作示意用

近日，路易斯安那大学拉法叶分校的研究者发表文章《制药中的人工智能：应用、案例研究及 GxP 实施考量》，综述了AI在药品制造领域应用的最新进展，包括8个案例分析以及在应对GMP合规挑战方面的洞见，可为我国药企在生产线上合规且高效地应用AI提供参考。

站在药企角度，研究者指出生产线上运行AI应用的挑战根源

研究者明确指出，这项技术演进的核心，在于将 GMP 要求的严谨性与 AI/ML（机器学习） 的预测性能相结合，构建出既合规又高效的质量管理体系。

制药生产与其它制造行业有着本质区别：产品质量与工艺性能直接绑定，物料和操作的任何变异性都可能转化为患者风险。这种特殊性使得制药生产控制策略天然保守，文档记录要求极为严格。那些仅仅以"效率提升"为目标的 AI 项目往往难以落地，因为它们无法转化为可辩护的控制策略——缺乏经过验证的测量系统支撑，也未能建立与“关键质量属性”（CQA）的明确关联。

批生产与连续生产的差异也为 AI 应用带来不同挑战。批生产产生的是具有强烈批次效应的离散数据，连续生产线则生成密集的时间序列数据，需要仔细处理停留时间分布、启停瞬态和物料可追溯性问题。AI 模型必须针对这些操作现实进行设计和验证——要么通过显式动力学建模，要么在适当时将预测限制在稳态窗口。

在研究者看来，与其想方设法“绕开”GMP，药企反而可以选择“拥抱”GMP，即当 AI 被定位为“过程分析技术”（PAT）、“持续工艺确认”（CPV）和“质量源于设计”（QbD）等现有质量工具的自然延伸时，其预期用途的界定、可接受标准的建立和证据规划的制定就变得清晰可行。

8个案例分析提供AI应用合规指导

研究者将实践中的AI 制药生产应用归纳为四大场景：

• 推理测量（软传感器，soft sensors）从可用信号估算 CQA 或难以测量的关键工艺参数（CPP）；

• 异常事件检测诊断（故障检测、异常检测和偏差分类）；

• 控制优化（先进控制、设定值推荐和闭环策略）；

• 检验和分类（计算机视觉和光谱分类）。

这些应用的成功与否，取决于数据质量、可追溯性和全生命周期治理，任何模型漂移都可能导致性能悄然退化。

制造相关数据来源极为广泛：从控制系统的时间序列传感器和执行器数据、PAT 仪器的光谱数据，到文本化的偏差、维护日志、变更控制等质量系统记录。研究者观察到，成功项目的共同起点，是建立一个最小化的可审计数据集，将这些来源通过时间对齐和物料谱系连接起来，待可追溯性得到验证后再逐步扩展应用范围。可解释性要求同样因情境而异——监测场景下，保守输出配合防护措施可能足矣；控制或放行决策场景则需要更高的透明度和不确定性量化。

研究者在此引入了美国国家标准与技术研究院（NIST）的“AI风险管理框架”（AI RMF），将其与制药质量实践形成映射。

本文综述了八个案例，涵盖连续制粒与干燥的多元统计过程监控、直接压片中的效价软传感器、结合近红外光谱与过程信号的混合软传感器用于过程控制、基于动态模式分解的模型预测控制在双螺杆制粒中的先进控制、层析过程中的异常检测、下游单元操作软传感器架构、基于人工神经网络的CHO细胞培养优化，以及无菌注射剂的AI辅助目检。

各案例的共同验证考量包括：正常操作条件范围的界定、漂移与扰动检测、误报控制、标签不确定性处理、模型更新与变更控制，以及与工艺设计空间和产品质量要求的对齐，体现了数据驱动模型在制药生产中落地所需的系统化验证思路。

AI目检该怎么实现合规？

第八个案例是无菌注射剂的AI辅助目检，这也是目前国外药企正在尝试的典型GMP环境内AI应用。

Veillon 等人描述的机器学习自动化目检（ML-AVI）方案，将传统人工目检的模式识别能力转化为 AVI 工作流程，在提高处理量的同时增强一致性。这项技术的核心洞察在于，ML-AVI 性能主要取决于数据治理（data curation）和缺陷集设计，而非算法选择本身。

治理的数据集将检验计划中的"缺陷"、"可接受变异"和"模糊但风险相关"案例操作化（即将抽象标准转化为量化规则），与 FDA 的可见微粒控制框架形成呼应。缺陷库必须同时支持模型训练和确认测试，覆盖代表性缺陷类别、接近检测阈值的边缘情况，以及典型的容器/光学伪影等干扰变异。

可见微粒检测的概率性本质使得稳健评估和保守处置逻辑尤为关键。基于USP <1790> 和FDA 指南草案的原则，ML-AVI 的验证需要将决策阈值与产品影响（最大限度地减少关键缺陷的误接受）和可用缓解措施（将低置信度的分类转到人工复检，对模型性能进行趋势分析，并在缺陷或不确定率发生变化时启动调查/CAPA）相关联，且AI模型版本在部署后保持变更控制。

从“验证黑箱”到“验证场景”的范式转变

文中八个案例揭示了AI在药品制造中的广阔前景，也勾勒出从技术可行走向合规落地的现实路径。对于希望在生产线上部署AI的药企而言，细读原文及每个案例对应的原始文献将大有裨益——这些文献不仅提供了具体的模型架构与性能数据，也展示了研究者如何在真实的制药环境中界定正常操作范围、设计验证方案、处理标签不确定性与模型漂移等关键细节，是构建企业内部知识体系和验证策略的宝贵参考。

值得特别指出的是，AI在GMP环境中的验证，并不必然陷入“如何验证模型本身”或“如何打开黑箱”的技术迷思。

实践表明，一个可行的验证路径是将重心从模型内部结构转向实际场景中的可观测行为：模型在代表性扰动下的预测是否稳健？低置信度输出是否有可靠的兜底逻辑（如人工复检）？缺陷库是否覆盖了边缘案例与干扰变异？版本变更是否受控并与再验证联动？这些问题都可以在现有GMP框架内，通过恰当的数据治理、工艺理解和风险分级的测试设计来回答。

换言之，AI验证的核心不是强行证明“模型是透明的”，而是证明“在实际使用条件下，模型的行为是可预测、可监控、可追溯的”。这一视角有助于企业摆脱对算法复杂性的焦虑，回归到制药质量体系的本质中来。

编者也期待EU和PIC/S在定稿“AI GMP”时，能为药企提供更为具体且更加合理的指导。

|责任编辑：识林-木姜子

|编辑：识林-雪见

识林^®版权所有，未经许可不得转载

点击绑定/注册识林，获取最新全球监管动态

【关于识林-常见问题与解答】