Machine learning recovers corrupted pharmaceutical 3D printing formulation data

doi:10.1016/j.ijpharm.2025.126403

Machine learning recovers corrupted pharmaceutical 3D printing formulation data

2025-11-16

0

PRE

AI

DOI：10.1016/j.ijpharm.2025.126403

原文链接

原文求助

摘要

En 中文

药物3D打印是一种新兴的数字制造技术，能够自主生产个性化药品。然而，支持这项创新所依赖的相同数字工作流程也引入了新的脆弱性，尤其是网络攻击的风险。在这种情况下，恶意行为者可能会破坏与待打印药品相关的数据，通过删除或修改关键信息，或引入难以检测的细微噪声；任一情况都可能危及患者安全。为应对这一挑战，本研究探讨了机器学习（特别是去噪自编码器，DAEs）在重构受损药物配方数据中的应用。数据集包含1,623个配方（含336种成分），总计超过545,000个独立数据点。为模拟潜在的网络攻击场景，数据集被故意以两种方式破坏：(1) 随机移除1 %–50 %的数据点，模拟定向数据删除；(2) 在所有数据点中引入噪声，模拟篡改或注入攻击。评估了多种DAE配置以确定其恢复受损数据的能力。性能结果显示，R²评分在1 %受损率时为0.989 ± 0.0017，在50 %受损率时为0.924 ± 0.0034。进一步分析表明，DAE能够准确重构活性药物成分和辅料值，表明该模型捕捉了有意义的配方关系，而非仅记忆数据模式。在测试的参数中，学习率被发现对DAE性能有显著影响。相比之下，传统机器学习技术未能产生所有数据受损水平下的正值R²，进一步凸显了DAE的优越性能。因此，DAEs已被证明能够保护配方数据免受数据破坏。本研究强调了机器学习在增强数字韧性以及维持制药行业数据质量方面的更广泛作用。

Machine learning recovers corrupted pharmaceutical 3D printing formulation data

摘要

期刊

机构

引用论文