基于近红外光谱和变分自编码建模鉴别多类药物

不同厂商(品牌)的药品仍存在一定的差异,价格不同,有销售商家用低廉药物产品换上假的大品牌包装在市场上高价销售。无专利药品或无生产、销售(如走私进口药)许可资质的药品也有可能贴上伪造的正规品牌包装在市场上出售。这些药品逃避药物监管和审批程序,损害消费者利益并给整个药物市场带来重大危害。因此,准确鉴别不同来源的药品在药品质量监管中具有重要意义。近红外光谱分析(NIR)具有仪器成本低、可直接测量、可无损检测、可现场检测等优点,特别适合药品的快速建模分析。采用近红外光谱直接鉴别出多个厂商、品种的药品,有重要应用价值同时又存在重大技术挑战,主要体现在需要有效的提取特征器和合适的分类器。自编码是深度学习方法中一个重要分支,它主要用于数据的非线性降维特征提取。变分自编码(VAE)是近年来最为流行的自编码算法,它通过变分法学习输入数据的一族欠完备的单变量正态分布特征,用以表示盲源因素对数据施加的影响,具有较强的特征提取能力,广泛应用于计算机视觉、语音识别等领域,在NIR分析方面未见报道。基于VAE,充分利用VAE既是特征提取器,又是数据生成器的优点,通过特殊设计的人工神经网络结构和损失函数,构建面向多品种、多厂商药品NIR分类模型。以29个厂商生产的4种药品(盐酸二甲双胍片,盐酸氯丙嗪片,马来酸氯苯那敏片,头孢呋辛酯片)的1 721个样本为实验对象,建立药品的多品种、多厂商分类鉴别实验。对比SVM, BP-ANN, PLS-DA等传统化学计量学算法及稀疏自编码(SAE)、深度信念网络(DBN)、深度卷积网络(CNN)等深度学习算法,其分类性能优良,同时具有良好的鲁棒性和可扩展性。