Ein neues KI‑Verfahren ermöglicht die Vorhersage der Blutverträglichkeit von elektrogesponnenen Nanofasern anhand von Rasterelektronenmikroskopie‑Bildern. Die Methode reduziert den Bedarf an kostenintensiven Bluttests und senkt den Verbrauch von Laborreagenzien.
Hintergrund
Elektrogesponnene Nanokomposite gelten als vielversprechende Werkstoffe für medizinische Geräte, die mit Blut in Kontakt kommen. Traditionelle Prüfungen beruhen auf biologischen Assays, die Blutproben, spezielle Reagenzien und umfangreiche Laborausstattung erfordern.
Methodik
Die Autoren entwickelten ein Deep‑Learning‑Framework, das vortrainierte Convolutional‑Neural‑Network‑Modelle (VGG19, ResNet50, InceptionV3) auf SEM‑Bilder von Nanofasern anwendet. Durch eine Albumentations‑basierte Datenaugmentation und ein Majority‑Voting‑Ensemble wurde die Vorhersagegenauigkeit erhöht.
Ergebnisse
Laut den Angaben der Autoren erzielte das InceptionV3‑Modell eine Präzision von 0,98, einen Recall von 1,00 und einen F1‑Score von 0,99. Das Ensemble‑Modell erreichte eine Gesamtgenauigkeit von 99 %.
Erklärbare KI
Durch den Einsatz von LIME und Integrated Gradients konnten die Forscher nachweisen, dass die KI‑Entscheidungen auf physiologisch relevanten mikrostrukturellen Merkmalen der Fasern basieren.
Bedeutung für die Forschung
Die Studie bietet ein umweltfreundliches Vor‑Screening‑Tool, das den Einsatz von Blut‑basierenden Tests reduziert und gleichzeitig den regulatorischen Anforderungen der ISO‑10993 entspricht.
Ausblick
Die Autoren planen, das System auf weitere biomaterialbasierte Anwendungen zu übertragen und die Integration in den Entwicklungszyklus von Medizinprodukten zu prüfen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Uebertragung