Deep‐learning based <i>in situ</i> image monitoring crystal polymorph and size distribution: Modeling and validation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In situ monitoring and closed‐loop control of the solution crystallization process are the modern trends for pharmaceutical development, in which the critical process parameters (CPPs) as well as the product critical quality attributes (CQAs) can be regulated and guaranteed during the manufacturing process. In this study, an in situ image monitoring methodology based on a state‐of‐the‐art deep‐learning model was developed to track the CQAs such as polymorph ratio, two‐dimensional crystal size, and crystal shape in a solvent‐mediated polymorphic transformation (SMPT) process. Coupled with the multidimensional process information, a 2D population balance model (PBM) was developed and validated using the results of the in situ image‐based CQAs analysis. The 2D‐PBM was solved using a high‐resolution finite volume method (HR‐FVM) which could provide a high dimensional particle‐size distribution. Through the validation between the process image analysis and the 2D‐PBM, the accuracy of image analysis was discussed, and the potential and challenges of in situ image analysis were proposed. This work aims to integrate the crystal polymorphism and two‐dimensional crystal size distribution (2D‐CSD) information in the SMPT process using intelligent microscopic image analysis and then to validate the results of neural network processing by solving the numerical solution of the multidimensional PBM.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle