TWI784521B - 製劑調製檢核系統 - Google Patents

Abstract

一種製劑調製檢核系統，用以解決習知液態製劑的調製方法耗費人力成本的問題。係包含：數個無線攝影單元，用以對一液態製劑的數個調製階段拍攝，以於各該調製階段的過程中各自產生一調製影像；一運算處理平台，將該數個調製階段的第一調製階段的數個調製影像輸入至一藥名偵測模型，以獲得一原料輸液的名稱，並當與該液態製劑的調配順序相同時，將該第一調製階段的數個調製影像輸入至一液位偵測模型，以獲得該原料輸液的劑量，並當與該液態製劑的調配劑量相同時，對下一個調製階段的數個調製影像進行處理，直到完成該液態製劑的製備。

Description

製劑調製檢核系統

本發明係關於一種檢核系統，尤其是一種用以檢核液態製劑的調製過程的製劑調製檢核系統。

習知液態製劑調製方法，係由一名藥劑師先行審核一液態製劑之處方，並於一無菌調劑室中，以該處方內容進行該液態製劑的調製。在進行每一階段的調製程序之前，必須由另一名藥劑師對該階段所使用的原料輸液的種類、調配順序及調配劑量再次進行核對，以確保該液態製劑的調製過程無誤。然而，由於小型醫院對液態製劑進行調製的需求數量不大，因此，配備二位藥劑師進行液態製劑的調製，將造成成本之增加。

有鑑於此，習知的液態製劑調製方法，確實仍有加以改善之必要。

為解決上述問題，本發明的目的是提供一種製劑調製檢核系統，係可以分析出一液態製劑的每一個調製過程中所使用的原料輸液種類、調配順序及調配劑量，並比對確認是否正確者。

本發明全文所述之「原料輸液」，係指原料藥(Active Pharmaceutical Ingredients，API)，又稱活性藥物成份，係可以由化學合成、 植物提取或生物技術所製備，是病患無法直接服用的物質，且需經過添加輔料、加工，方可製成可直接使用的藥品。

本發明全文所述方向性或其近似用語，例如「前」、「後」、「左」、「右」、「上(頂)」、「下(底)」、「內」、「外」、「側面」等，主要係參考附加圖式的方向，各方向性或其近似用語僅用以輔助說明及理解本發明的各實施例，非用以限制本發明。

本發明全文所記載的元件及構件使用「一」或「一個」之量詞，僅是為了方便使用且提供本發明範圍的通常意義；於本發明中應被解讀為包括一個或至少一個，且單一的概念也包括複數的情況，除非其明顯意指其他意思。

本發明的製劑調製檢核系統，包含：數個無線攝影單元，用以對一液態製劑的數個調製階段依序進行拍攝，以於各該調製階段的過程中由各該無線攝影單元各自產生一調製影像，該調製影像為一藥劑容器由數個藥瓶的其中一藥瓶內抽取原料輸液的過程，各該藥瓶上標記有其裝填的原料輸液的名稱；及一運算處理平台，耦接該數個無線攝影單元，該運算處理平台具有一輸入單元、一資料庫及一深度神經網路模組，該輸入單元用以輸入調製該液態製劑所需的數個原料輸液的調配順序及相對應的調配劑量，該資料庫用以儲存數個文字的影像、數個原料輸液的名稱及數個裝填有原料輸液的藥劑容器的影像，該深度神經網路模組電性連接該資料庫，並具有一藥名偵測模型及一液位偵測模型，該藥名偵測模型以該數個文字的影像作為輸入層資料，及以該數個原料輸液的名稱作為輸出層資料，以進行訓練，該液位偵測模型以該數個藥劑容器的影像作為輸入層資料，及以該數個藥劑容器的影像各自所代表的原料輸液的劑量作為輸出層資料，以進行訓練，該藥名偵測模型對該液態製劑的每一個調製階段，各該無線攝影單元所拍攝產生的調製 影像進行分析，以各自產生一候補原料輸液名稱及其預測機率值，該運算處理平台將該數個調製階段的第一調製階段的數個調製影像輸入至該藥名偵測模型，以獲得一原料輸液的名稱，該運算處理平台將該原料輸液的名稱及具有最高預測機率值的候補原料輸液名稱與該液態製劑的調配順序核對是否相同，若核對結果為是，將該第一調製階段的數個調製影像輸入至該液位偵測模型，以獲得該原料輸液的劑量，該運算處理平台將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為是，該運算處理平台對下一個調製階段的數個調製影像進行處理，並直到在各該調製階段下，該藥名偵測模型及該液位偵測模型各自的輸出層結果，分別與該液態製劑的數個原料輸液的調配順序及調配劑量均符合時，即完成該液態製劑的製備。

據此，本發明的製劑調製檢核系統，係可以透過該數個無線攝影單元對一液態製劑的數個調製階段依序進行拍攝，以於各該調製階段的過程中各自產生一調製影像，該運算處理平台將該數個藥調製影像分別輸入至該藥名偵測模型及該液位偵測模型，以獲得該數個藥瓶各自的原料輸液的名稱、拿取的順序及由該藥瓶抽取原料輸液至藥劑容器內的劑量，並與調製該製劑所需的原料輸液的調配順序及調配劑量相互比對，若比對結果均符合，即可完成該製劑的製備。如此，本發明的製劑調製檢核系統，係具有減少以人工調製製劑時所需之人力及避免原料輸液耗損的功效，且具有提升檢核系統整體準確率的功效。

其中，該藥名偵測模型的數量係等同於該數個無線攝影單元的數量，各該藥名偵測模型具有一輸入層、數組卷積層與池化層及一合併層，該輸入層依序連接該數組卷積層與池化層及該合併層，並以一連接層連接該數個合併層，該運算處理平台判斷該預測機率值是否有超過一機率門檻，若判斷結果為否，該運算處理平台將各該無線攝影單元所拍攝產生的調製影像， 各別輸入至其中一藥名偵測模型，由各該藥名偵測模型的卷積層提取各自的調製影像上的特徵，最終，透過該全連接層整合該數個調製影像的特徵，並透過一分類器進行預測，以取得標記在該藥瓶上的原料輸液的名稱。如此，係具有提升原料輸液名稱的辨識準確率的功效。

其中，該液位偵測模型的數量係等同於該數個無線攝影單元的數量，各該液位偵測模型具有一輸入層、數組卷積層與池化層及一合併層，該輸入層依序連接該數組卷積層與池化層及該合併層，並以一連接層連接該數個合併層，該運算處理平台判斷該預測機率值是否有超過一機率門檻，若判斷結果為否，該運算處理平台將各該無線攝影單元所拍攝產生的調製影像，各別輸入至其中一液位偵測模型，由各該液位偵測模型的卷積層提取各自的調製影像上的特徵，最終，透過該全連接層整合該數個調製影像的特徵，並透過一分類器進行預測，以取得該藥劑容器內的原料輸液的劑量。如此，係具有提升藥劑容器內原料輸液劑量的辨識準確率的功效。

其中，該運算處理平台將該原料輸液的名稱與該液態製劑的調配順序核對是否相同，若核對結果為否，該運算處理平台發送一順序錯誤訊號至一通報裝置，使該通報裝置提醒該使用者暫停，並告知調製該液態製劑的順序有誤。如此，係具有提醒使用者調製該製劑所使用的數個原料輸液的調配順序有誤的功效。

其中，該運算處理平台將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為否，該運算處理平台發送一劑量錯誤訊號至一通報裝置，使該通報裝置提醒該使用者暫停，並告知調製該液態製劑所需的原料輸液的劑量有誤。如此，係具有提醒使用者調製該製劑所使用的其中至少一原料輸液的調配劑量有誤的功效。

其中，當完成該液態製劑的製備之後，該運算處理平台將該數 個調製影像發送至一通報裝置，並由該通報裝置取得一電子簽章，該運算處理平台將該電子簽章與該數個調製影像一同儲存記錄於該資料庫中。如此，係具有提供管理者事後查驗使用者製劑調製流程的功效。

其中，該數個無線攝影單元設置於該調劑室的外部。如此，係具有降低液態製劑在調製過程中被汙染機率的功效。

其中，該調劑室具有一製備台，該製備台用以放置該數個藥瓶，該運算處理平台控制該數個無線攝影單元朝該數個藥瓶拍攝，以各自產生一藥瓶影像，該運算處理平台將該數個藥瓶影像輸入至該藥名偵測模型，以獲得各該藥瓶的原料輸液的名稱，該運算處理平台將該數個藥瓶各自的原料輸液的名稱，與由該輸入單元所輸入的數個原料輸液的名稱相互比對是否全部吻合，若比對結果為否，該運算處理平台控制該裝置發出一備料有誤提示。如此，係具有提醒使用者調製該製劑所使用的其中至少一原料輸液種類有誤的功效。

其中，該調劑室為一無菌室。如此，係具有確保液態製劑在調製過程不會遭受汙染的功效。

〔本發明〕

1:無線攝影單元

2:運算處理平台

21:輸入單元

22:資料庫

23:深度神經網路模組

231:藥名偵測模型

232:液位偵測模型

3:通報裝置

B:藥瓶

C:藥劑容器

〔第1圖〕本發明的系統方塊圖。

〔第2圖〕本發明的數個無線攝影單元朝液態製劑的調製過程拍攝的示意圖。

〔第3圖〕本發明的數個無線攝影單元朝數個藥瓶拍攝的示意圖。

為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：請參照第1圖所示，其係本發明製劑調製檢核系統的一較佳實施例，係包含數個無線攝影單元1及一運算處理平台2，該數個無線攝影單元1耦接該運算處理平台2。

請一併參照第2圖所示，該數個無線攝影單元1用以對一液態製劑(Preparation)的數個調製階段依序進行拍攝，以於各該調製階段的過程中各自產生一調製影像，意即，在每一個調製階段都會產生數個調製影像，各該調製影像可以為一靜態影像或一連續動態影像。該調製影像為一藥劑容器C由數個藥瓶B的其中一藥瓶B內抽取原料輸液的過程，各該藥瓶B上標記有其裝填的原料輸液的名稱，例如但不限制地，該藥劑容器C可以為一透明針管，且該透明針管的外觀上標示有刻度線。具體而言，該數個調製影像的內容，各自包含如藥劑師等使用者拿取其中一藥瓶B的影像畫面，以及該使用者利用該藥劑容器C由該藥瓶B中抽取所需劑量的原料輸液時，該藥劑容器C內的原料輸液之液位的影像畫面。

在本實施例中，該數個無線攝影單元1的數量可以為三台，且可以分別架設於一調劑室(Dispensing Room)的內部或外部的不同方向角落，較佳為架設於該調劑室的外部。詳言之，該無線攝影單元1可以為一無線攝影機，該調劑室為具有一製備台的無菌室，該製備台用以放置調製該液態製劑所需的數個藥瓶B使用，且該使用者可以預先將該數個藥瓶B放置於該製備台上，以於調製該液態製劑時使用。

該運算處理平台2耦接該數個無線攝影單元1，該運算處理平台2具有一輸入單元21、一資料庫22及一深度神經網路模組23，該輸入單元21用以輸入調製該液態製劑所需的數個原料輸液的調配順序及相對應的 調配劑量，並可儲存於該資料庫22，在本實施例中，該輸入單元21可以為任何具有輸入功能的裝置，例如：以有線或無線方式連接該運算處理平台2的鍵盤滑鼠組，或是透過網路與該運算處理平台2連線的智慧型手機、平板電腦或筆記型電腦等，惟不以此為限。該資料庫22用以儲存數個文字的影像、數個原料輸液的名稱及數個裝填有原料輸液的藥劑容器的影像。

該深度神經網路模組23電性連接該資料庫22，並具有一藥名偵測模型231及一液位偵測模型232，該藥名偵測模型231以該數個文字的影像作為輸入層資料，及以該數個原料輸液的名稱作為輸出層資料，以進行訓練。該液位偵測模型232以該數個藥劑容器的影像作為輸入層資料，及以該數個藥劑容器的影像各自所代表的原料輸液的劑量作為輸出層資料，以進行訓練。

具體而言，該藥名偵測模型231及該液位偵測模型232皆可以透過安裝NVIDIA Quadro M4000顯示卡的電腦設備上的Python 3.64版本程式語言，以及Keras 2.1.3版本的Tensorflow深度學習框架而實現，惟不以此為限。該藥名偵測模型231及該液位偵測模型232的訓練用模型係可以採用習知即時物件偵測模型(You Only Look Once，YOLO、YOLOv2、YOLOv3)作為基礎架構，並搭配使用如自適應增強(Adaptive Boosting，AdaBoost)演算法，該即時物件偵測模型各層的神經元權重及運算過程，係屬於本領域通常知識，在此不多加贅述。其中，該訓練用模型的訓練次數可以設定為500次，各該文字的影像張數可以為各8張，該訓練次數及影像張數僅為範例，而非作為本發明的限制。

該訓練用模型的訓練方式可以為監督式學習(Supervised Learning)、非監督式學習(Un-supervised Learning)、半監督式學習(Semi-supervised Learning)或強化學習(Reinforcement Learning)的其中一種。當 該訓練方式為監督式學習時，係可以預先將該訓驗樣本的各種影像分別進行標籤化(Labeled)處理，在本實施例中，該液位偵測模型232可以採用監督式學習進行訓練，將作為該訓練樣本的每一張藥劑容器的影像給予相對應的劑量，以進行標籤化處理。另一方面，該訓練樣本可以切割為訓練資料集及測試資料集，且該訓練用模型在進行訓練時，該訓練資料集還可以進一步切割出驗證資料集，以對該藥名偵測模型231及該液位偵測模型232訓練與驗證。其中，該訓練資料集、該測試資料集及該驗證資料集的比例可以為7：2：1，惟不以此為限。

該運算處理平台2將該數個調製階段的第一調製階段的數個調製影像輸入至該藥名偵測模型231，以獲得一原料輸液的名稱。該運算處理平台2將該原料輸液的名稱與該液態製劑的調配順序核對是否相同，在本實施例中，該運算處理平台2可以記錄該液態製劑目前正進行的調製階段的順序編號，並與該調配順序核對是否相同。若核對結果為是，將該第一調製階段的數個調製影像輸入至該液位偵測模型232，以獲得該原料輸液的劑量。

具體而言，當該調製影像為靜態影像時，該藥名偵測模型231可以對該液態製劑的每一個調製階段，各該無線攝影單元1所拍攝產生的調製影像進行分析，以各自產生一候補原料輸液名稱及其預測機率值；該運算處理平台2可以以具有最高預測機率值的候補原料輸液名稱作為最終的輸出結果，以與該液態製劑的調配順序進行核對。舉例而言，該液態製劑係依照原料輸液W、原料輸液X及原料輸液Y的調配順序進行調製，在第一調製階段，該藥瓶偵測模型231對於每一台無線攝影單元1所拍攝產生的調製影像的辨識結果，可以如下列表一至表三所示：表一：該藥名偵測模型對於第一台無線攝影單元所拍攝產生的調製影像的辨識結果。

承上述，該運算處理平台2係以具有最高預測機率值(0.85)的原料輸液W，作為第一調製階段的輸出結果。另一方面，當該調製影像為動態影像時，該運算處理平台2可以將該動態影像分割成數張靜態影像，使該藥名偵測模型231於各該調製階段，對於各該無線攝影單元1所拍攝產生 的調製影像產生數個候補原料輸液名稱及各自的預測機率值。舉例而言，當第一台無線攝影單元1所拍攝產生的調製影像為動態影像，且該運算處理平台2將該調製影像分割成二靜態影像，該藥名偵測模型231對於該二靜態影像的輸出結果，可以如下列表四所示，其中，該動態影像切割成數張靜態影像的影像處理技術，係屬於本領域相關通常知識，在此不多加贅述。

該運算處理平台2可以根據該藥名偵測模型231對於由同一台無線攝影單元1所拍攝的調製影像所產生的輸出結果中，將具有相同候補原料輸液名稱的預測機率值加總取平均，並以平均分數最高的候補原料輸液作為該無線攝影單元的輸出結果。以上述表四舉例，原料輸液W具有最高平均分數(0.59)，因此，該藥名偵測模型231針對第一台無線攝影單元1所拍攝的調製影像的辨識結果即為原料輸液W，且其預測機率值為0.59。該運算處理平台2根據上述相同方式取得其他無線攝影單元1的辨識結果，並以具有最高預測機率值的原料輸液的名稱作為最終結果。另一方面，該液位偵測模型232亦可以如上述的方式取得該藥劑容器C內的原料輸液的劑量，係屬本領域技術人員可以理解，在此不多加贅述。

若核對結果為否，意即，該使用者於該第一調製階段所使用的原料輸液種類有誤，該運算處理平台2可以透過網路發送一順序錯誤訊號至一通報裝置3，使該通報裝置3可以提醒該使用者暫停，並告知調製該液態製劑的順序有誤，例如但不限制地，該通報裝置3可以具有一蜂鳴器或/及一顯示器，以透過聲音或/及圖像提醒該使用者。另一方面，該運算處理平台2還可以根據目前正進行的調製階段及該調配順序，將正確的原料輸液的名稱顯示於該通報裝置3，使該通報裝置3可以提醒該使用者選擇正確的藥瓶，以抽取符合該目前調製階段應使用的原料輸液。

該運算處理平台2將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為是，該運算處理平台2對下一個調製階段的數個調製影像進行處理，並直到在各該調製階段下，該藥名偵測模型231及該液位偵測模型232各自的輸出層結果，分別與該液態製劑所需的數個原料輸液的調配順序及調配劑量均符合時，即完成該液態製劑的製備。

在另一實施例中，該藥名偵測模型231及該液位偵測模型232的數量，分別可以為複數個，以分別對每台無線攝影單元1所拍攝產生的調製影像進行分析，較佳地，該藥名偵測模型231及該液位偵測模型232的數量係等同於該數個無線攝影單元1的數量。詳言之，各該藥名偵測模型231/各該液位偵測模型232具有一輸入層(Input Layer)、數組卷積層(Convolution Layer)與池化層(Pooling Layer)及一合併層(Merge Layer)，該輸入層依序連接該數組卷積層與池化層及該合併層，並以一連接層(Fully Connected Layer)連接該數個合併層。據此，該運算處理平台2可以判斷該預測機率值是否有超過一機率門檻(例如：0.9)，若判斷結果為是，則不需執行額外作動；若判斷結果為否，該運算處理平台2將各該無線攝影單元1所拍攝產生的調製影像，各別輸入至其中一藥名偵測模型231，由各該藥名偵測模型231 的卷積層提取各自的調製影像上的特徵，最終，透過該全連接層整合該數個調製影像的特徵，並透過一分類器進行預測，以取得標記在該藥瓶B上的原料輸液的名稱。同理，亦可以應用於該液位偵測模型232，以取得該藥劑容器C內的原料輸液的劑量。

較佳地，當完成該液態製劑的製備之後，該運算處理平台將該數個調製影像發送至一通報裝置，並由該通報裝置取得一電子簽章(Electronic Signature)，該運算處理平台將該電子簽章與該數個調製影像一同儲存記錄於該資料庫中，以記錄該使用者在核對人員的確認下，確實完成該液態製劑的調製。具體而言，該通報裝置3可以具有一顯示器，該顯示器為觸控螢幕，並具有一顯示區及一簽章區，該顯示區用以顯示該數個調製影像，該簽章區用以供核對人員簽署電子簽章。當完成該液態製劑的製備之後，該運算處理平台2將該數個調製影像呈現於該顯示區，以供核對人員查看該使用者的調製過程。該核對人員確認無誤後，再於該簽章區產生一簽名軌跡，以產生該電子簽章。該運算處理平台2可以由該通報裝置3取得該電子簽章，並與該數個調製影像一同儲存記錄於該資料庫22中。

該運算處理平台2將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為否，意即，該使用者於該調製階段所抽取的原料輸液劑量有誤，因此，該運算處理平台2可以透過網路發送一劑量錯誤訊號至該通報裝置3，使該通報裝置3可以提醒該使用者暫停，並告知調製該液態製劑所需的原料輸液的劑量有誤。另一方面，該運算處理平台2還可以根據目前正進行的調製階段，將正確的原料輸液的劑量顯示於該通報裝置3，使該通報裝置3可以提醒該使用者以該藥劑容器C抽取符合該目前正進行的調製階段所使用的原料輸液所需的劑量。

請參照第3圖所示，用以調製該液態製劑所需的數個藥瓶B， 可以預先放置於該調劑室的製備台上，並於該數個無線攝影單元1在對該液態製劑的數個調製階段拍攝之前，先行對該數個藥瓶B拍攝，以各自產生一藥瓶影像。該運算處理平台2將該數個藥瓶影像輸入至該藥名偵測模型231，以獲得數個原料輸液的名稱。該運算處理平台2可以根據該調配順序的記載，將該數個原料輸液的名稱，與調製該液態製劑所需的原料輸液相互比對是否全部符合，若比對結果為是，則可以開始對該液態製劑的調製過程進行檢核；若比對結果為否，該運算處理平台2可以透過網路發送一藥瓶選擇錯誤訊號至一通報裝置3，使該通報裝置3可以提醒該使用者暫停，並告知調製該液態製劑所需準備的原料輸液的藥瓶選擇有誤。

本發明製劑調製檢核系統，其在檢核該液態製劑所使用的原料輸液的調配順序及相對應的調配劑量之前，係可以比對該使用者所挑選的數個藥瓶B，是否滿足調製該液態製劑所需的原料輸液。詳言之，該運算處理平台2控制該數個無線攝影單元1朝該數個藥瓶B拍攝，以各自產生一藥瓶影像；該運算處理平台2將該數個藥瓶影像輸入至該藥名偵測模型，以獲得各該藥瓶B的原料輸液的名稱；該運算處理平台2將該數個藥瓶B各自的原料輸液的名稱，與由該輸入單元21所輸入的數個原料輸液的名稱相互比對是否全部吻合，若比對結果為是，意即，該使用者所挑選的數個藥瓶沒有問題，該運算處理平台2可以不需額外執行其他作動，或是可以控制該裝置發出一備料無誤提示；若比對結果為否，意即，該液態製劑無法根據該使用者所挑選的數個藥瓶B調製完成，該運算處理平台2可以控制該裝置發出一備料有誤提示。較佳地，當比對結果為否時，該運算處理平台2還可以進一步控制該裝置顯示該液態製劑所需的原料輸液的名稱，以供該使用者重新挑選正確的藥瓶。

綜上所述，本發明的製劑調製檢核系統，係可以透過該數個無 線攝影單元對一液態製劑的數個調製階段依序進行拍攝，以於各該調製階段的過程中各自產生一調製影像，該運算處理平台將該數個藥調製影像分別輸入至該藥名偵測模型及該液位偵測模型，以獲得該數個藥瓶各自的原料輸液的名稱、拿取的順序及由該藥瓶抽取原料輸液至藥劑容器內的劑量，並與調製該製劑所需的原料輸液的調配順序及調配劑量相互比對，若比對結果均符合，即可完成該製劑的製備。如此，本發明的製劑調製檢核系統，係具有減少以人工調製製劑時所需之人力及避免原料輸液耗損的功效。

雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

1:無線攝影單元

2:運算處理平台

21:輸入單元

22:資料庫

23:深度神經網路模組

231:藥名偵測模型

232:液位偵測模型

3:通報裝置

Claims (9)

1. 一種製劑調製檢核系統，包含：數個無線攝影單元，用以對一液態製劑的數個調製階段依序進行拍攝，以於各該調製階段的過程中由各該無線攝影單元各自產生一調製影像，該調製影像為一藥劑容器由數個藥瓶的其中一藥瓶內抽取原料輸液的過程，各該藥瓶上標記有其裝填的原料輸液的名稱；及一運算處理平台，耦接該數個無線攝影單元，該運算處理平台具有一輸入單元、一資料庫及一深度神經網路模組，該輸入單元用以輸入調製該液態製劑所需的數個原料輸液的調配順序及相對應的調配劑量，該資料庫用以儲存數個文字的影像、數個原料輸液的名稱及數個裝填有原料輸液的藥劑容器的影像，該深度神經網路模組電性連接該資料庫，並具有一藥名偵測模型及一液位偵測模型，該藥名偵測模型以該數個文字的影像作為輸入層資料，及以該數個原料輸液的名稱作為輸出層資料，以進行訓練，該藥名偵測模型對該液態製劑的每一個調製階段，各該無線攝影單元所拍攝產生的調製影像進行分析，以各自產生一候補原料輸液名稱及其預測機率值，該液位偵測模型以該數個藥劑容器的影像作為輸入層資料，及以該數個藥劑容器的影像各自所代表的原料輸液的劑量作為輸出層資料，以進行訓練，該運算處理平台將該數個調製階段的第一調製階段的數個調製影像輸入至該藥名偵測模型，以獲得一原料輸液的名稱，該運算處理平台將該原料輸液的名稱及具有最高預測機率值的候補原料輸液名稱與該液態製劑的調配順序核對是否相同，若核對結果為是，將該第一調製階段的數個調製影像輸入至該液位偵測模型，以獲得該原料輸液的劑量，該運算處理平台將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為是，該運算處理平台對下一個調製階段的數個調製影像進行處理，並直到在各該調製階段下，該藥名偵測模型及 該液位偵測模型各自的輸出層結果，分別與該液態製劑的數個原料輸液的調配順序及調配劑量均符合時，即完成該液態製劑的製備。
2. 如請求項1之製劑調製檢核系統，其中，該藥名偵測模型的數量係等同於該數個無線攝影單元的數量，各該藥名偵測模型具有一輸入層、數組卷積層與池化層及一合併層，該輸入層依序連接該數組卷積層與池化層及該合併層，並以一連接層連接該數個合併層，該運算處理平台判斷該預測機率值是否有超過一機率門檻，若判斷結果為否，該運算處理平台將各該無線攝影單元所拍攝產生的調製影像，各別輸入至其中一藥名偵測模型，由各該藥名偵測模型的卷積層提取各自的調製影像上的特徵，最終，透過該全連接層整合該數個調製影像的特徵，並透過一分類器進行預測，以取得標記在該藥瓶上的原料輸液的名稱。
3. 如請求項1之製劑調製檢核系統，其中，該液位偵測模型的數量係等同於該數個無線攝影單元的數量，各該液位偵測模型具有一輸入層、數組卷積層與池化層及一合併層，該輸入層依序連接該數組卷積層與池化層及該合併層，並以一連接層連接該數個合併層，該運算處理平台判斷該預測機率值是否有超過一機率門檻，若判斷結果為否，該運算處理平台將各該無線攝影單元所拍攝產生的調製影像，各別輸入至其中一液位偵測模型，由各該液位偵測模型的卷積層提取各自的調製影像上的特徵，最終，透過該全連接層整合該數個調製影像的特徵，並透過一分類器進行預測，以取得該藥劑容器內的原料輸液的劑量。
4. 如請求項1之製劑調製檢核系統，其中，該運算處理平台將該原料輸液的名稱與該液態製劑的調配順序核對是否相同，若核對結果為否，該運算處理平台發送一順序錯誤訊號至一通報裝置，使該通報裝置提醒該使用者暫停，並告知調製該液態製劑的順序有誤。
5. 如請求項1之製劑調製檢核系統，其中，該運算處理平台將該原料輸液的劑量與該液態製劑的調配劑量確認是否相同，若確認結果為否，該運算處理平台發送一劑量錯誤訊號至一通報裝置，使該通報裝置提醒該使用者暫停，並告知調製該液態製劑所需的原料輸液的劑量有誤。
6. 如請求項1之製劑調製檢核系統，其中，當完成該液態製劑的製備之後，該運算處理平台將該數個調製影像發送至一通報裝置，並由該通報裝置取得一電子簽章，該運算處理平台將該電子簽章與該數個調製影像一同儲存記錄於該資料庫中。
7. 如請求項1至6中任一項之製劑調製檢核系統，係用以輔助對一調劑室的製劑調製工作，其中，該數個無線攝影單元設置於該調劑室的外部。
8. 如請求項7之製劑調製檢核系統，其中，該調劑室具有一製備台，該製備台用以放置該數個藥瓶，該運算處理平台控制該數個無線攝影單元朝該數個藥瓶拍攝，以各自產生一藥瓶影像，該運算處理平台將該數個藥瓶影像輸入至該藥名偵測模型，以獲得各該藥瓶的原料輸液的名稱，該運算處理平台將該數個藥瓶各自的原料輸液的名稱，與由該輸入單元所輸入的數個原料輸液的名稱相互比對是否全部吻合，若比對結果為否，該運算處理平台控制該裝置發出一備料有誤提示。
9. 如請求項7之製劑調製檢核系統，其中，該調劑室為一無菌室。

Images