Op 16 augustus 2026 werd in het tijdschrift Bioengineering een redactioneel artikel van Daniele Giansanti gepubliceerd, getiteld "When Bioengineering Met Artificial Intelligence: From Machine Learning to Intelligent Bioengineering Systems". Hierin wordt de geleidelijke convergentie besproken van twee vakgebieden die lange tijd parallel aan elkaar hebben ontwikkeld, maar elkaar nu actief kruisen.
De auteur merkt op dat kunstmatige intelligentie en bio-engineering oorspronkelijk verschillende paden bewandelden: de eerste via algoritmen en data, de tweede via fysieke en biologische materialen. Hun belangen vallen echter steeds vaker samen bij het modelleren van complexe biologische systemen, het ontwerpen van biomaterialen en het creëren van adaptieve medische apparaten.
Het artikel benadrukt de verschuiving van traditionele machine learning naar meer geavanceerde vormen, zoals hybride neurale architecturen, generatieve modellen en multimodale benaderingen. Deze methoden maken het mogelijk om niet alleen data te analyseren, maar ook om in realtime nieuwe oplossingen te genereren, rekening houdend met de dynamiek van levende systemen.
Bijzondere aandacht gaat uit naar de uitdagingen: de noodzaak voor grote en kwalitatieve biomedische datasets, vragen over de interpreteerbaarheid van modellen in een klinische context en de ethische aspecten van het toepassen van AI in de bio-engineering. Giansanti wijst erop dat veel huidige benaderingen nog steeds beperkt zijn tot specifieke taken en aanzienlijke aanpassing vereisen voor reële biologische omstandigheden.
In vergelijking met eerdere werken over de toepassing van AI in de geneeskunde, onderscheidt deze publicatie zich door de nadruk op het systeemniveau: niet losse instrumenten, maar het creëren van "intelligente bio-engineering-systemen" die in staat zijn tot zelflerend vermogen en aanpassing. Dit onderscheidt het artikel van gespecialiseerde overzichten over deep learning in beeldvorming of diagnostiek.
De ontwikkeling van dergelijke systemen opent nieuwe onderzoeksrichtingen, van het ontwerpen van organ-on-a-chip-systemen met ingebouwde AI tot gepersonaliseerde bioprothesen die reageren op veranderingen in het lichaam van de patiënt. Voor een brede implementatie zijn echter onafhankelijke validaties en standaardisatie van evaluatieprotocollen noodzakelijk.
Het blijft onduidelijk hoe snel de kloof tussen laboratoriumresultaten en klinische praktijk kan worden overbrugd, en welke nieuwe risico's zullen ontstaan bij het opschalen van intelligente biosystemen. De gemeenschap zal zich waarschijnlijk concentreren op het creëren van open benchmarks en interdisciplinaire samenwerkingen.
De belangrijkste conclusie van het artikel is dat de werkelijke waarde van de convergentie niet zal blijken uit individuele doorbraken, maar uit het vermogen om gesloten cycli van ontwerp, testen en optimalisatie van biologische oplossingen met behulp van AI te creëren.
