16 sierpnia 2026 roku w czasopiśmie Bioengineering opublikowano artykuł redakcyjny Daniele Giansantiego zatytułowany „When Bioengineering Met Artificial Intelligence: From Machine Learning to Intelligent Bioengineering Systems”. Rozważa on stopniową konwergencję dwóch dziedzin, które długo rozwijały się równolegle, ale obecnie aktywnie się przenikają.
Autor zauważa, że sztuczna inteligencja i bioinżynieria początkowo podążały różnymi ścieżkami: pierwsza poprzez algorytmy i dane, druga poprzez materiały fizyczne i biologiczne. Jednak ich interesy coraz częściej zbiegają się w zadaniach modelowania złożonych systemów biologicznych, projektowania biomateriałów oraz tworzenia adaptacyjnych urządzeń medycznych.
Artykuł podkreśla przejście od tradycyjnego uczenia maszynowego do bardziej zaawansowanych form – hybrydowych architektur neuronowych, modeli generatywnych i podejść multimodalnych. Metody te pozwalają nie tylko analizować dane, ale także generować nowe rozwiązania w czasie rzeczywistym, uwzględniając dynamikę żywych systemów.
Szczególną uwagę poświęcono wyzwaniom: potrzebie posiadania dużych i wysokiej jakości zbiorów danych biomedycznych, kwestiom interpretowalności modeli w kontekście klinicznym oraz etycznym aspektom stosowania AI w bioinżynierii. Giansanti wskazuje, że wiele obecnych podejść jest wciąż ograniczonych do wąskich zadań i wymaga znacznej adaptacji do rzeczywistych warunków biologicznych.
W porównaniu z wcześniejszymi pracami dotyczącymi zastosowania AI w medycynie, publikacja ta wyróżnia się naciskiem na poziom systemowy: nie na poszczególne narzędzia, lecz na tworzenie „inteligentnych systemów bioinżynieryjnych”, zdolnych do samouczenia się i adaptacji. To odróżnia ją od wąskospecjalistycznych przeglądów dotyczących głębokiego uczenia w obrazowaniu czy diagnostyce.
Rozwój takich systemów otwiera nowe kierunki badań – od projektowania organów na chipie z wbudowaną sztuczną inteligencją po spersonalizowane bioprotezy reagujące na zmiany w organizmie pacjenta. Jednak do szerokiego wdrożenia niezbędne są niezależne walidacje i standaryzacja protokołów oceny.
Pozostaje niejasne, jak szybko uda się pokonać przepaść między wynikami laboratoryjnymi a praktyką kliniczną, a także jakie nowe ryzyka pojawią się przy skalowaniu inteligentnych biosystemów. Społeczność prawdopodobnie skupi się na tworzeniu otwartych benchmarków i współpracy interdyscyplinarnej.
Kluczowy wniosek artykułu jest taki, że prawdziwa wartość konwergencji ujawni się nie w pojedynczych przełomach, lecz w zdolności do tworzenia zamkniętych cykli projektowania, testowania i optymalizacji rozwiązań biologicznych za pomocą AI.
