Sustainable hemocompatibility prediction of electrospun nanomaterials using SEM-driven CNN ensemble learning aligned with ISO 10993.

چکیده اصلی

BACKGROUND: Electrospun nanocomposite biomaterials are promising candidates for blood-contacting medical devices owing to their high surface area, tunable nanoscale morphology, and biomimetic replication of the native extracellular matrix. However, conventional hemocompatibility assessments rely heavily on biological assays. These methods require blood samples, specialized reagents, and consumables, thereby inherently increasing costs, resource demands, and laboratory waste. To mitigate these limitations, sustainable evaluation strategies that leverage physicochemical features are highly desirable. METHODOLOGY: In this study, we present a deep learning framework for predicting the hemocompatibility of electrospun nanofibres directly from scanning electron microscopy (SEM) images. Pretrained convolutional neural network models, namely VGG19, ResNet50, and InceptionV3, were fine-tuned to classify scanning electron microscopy (SEM) images of nanofibres as haemocompatible or non-haemocompatible. To ensure data robustness, an Albumentations-based augmentation strategy was implemented, and predictive reliability was further optimized using a majority-voting ensemble learning approach. RESULTS: Among the individual architectures evaluated, InceptionV3 demonstrated superior performance, achieving a precision of 0.98, a recall of 1.00, and an F1-score of 0.99. The ensemble model exhibited comparable robustness, reaching an overall accuracy of 99%. Furthermore, explainable AI (XAI) techniques, specifically LIME and Integrated Gradients, confirmed that the network's predictions were driven by physiologically relevant microstructural features of the nanofibres. CONCLUSION: This artificial intelligence-assisted, SEM image-based physicochemical approach offers an eco-friendly pre-screening strategy that significantly reduces reliance on blood-based assays and associated laboratory consumables. Ultimately, this framework aligns with ISO 10993 guidelines by using SEM-derived physicochemical information as a pre-screening tool to support subsequent biological evaluation, thereby enabling efficient, regulatory-compliant biomaterial development.

ترجمه فارسی چکیده

پیش‌زمینه: الکتروسپinning نانوکامپوزیت‌های زیست‌سازگار، به دلیل مساحت سطح بالا، قابلیت تنظیم مورفولوژی در مقیاس نانو و بازتولید بیومیمتیک ماتریس خارج سلولی بومی، گزینه‌های promising برای دستگاه‌های پزشکی تماس با خون هستند. با این حال، ارزیابی‌های هموکامپاتیبل سنتی به شدت به آزمایش‌های زیستی وابسته هستند که منجر به افزایش هزینه‌ها، تقاضای منابع و پسماند آزمایشگاهی می‌شوند. برای کاهش این محدودیت‌ها، استراتژی‌های ارزیابی پایدار که از ویژگی‌های فیزیکوشیمیایی بهره می‌برند بسیار مطلوب هستند. روش‌شناسی: در این مطالعه، یک چارچوب یادگیری عمیق برای پیش‌بینی هموکامپاتیبل بودن الکتروسپinning نانوفایبرها مستقیماً از تصاویر میکروسکوپ الکترونی روبشی (SEM) ارائه شده است. مدل‌های شبکه عصبی کانولوشن پیش‌آموزش‌دیده، شامل VGG19، ResNet50 و InceptionV3، برای طبقه‌بندی تصاویر SEM نانوفایبرها به عنوان هموکامپاتیبل یا غیرهموکامپاتیبل تنظیم دقیق (fine-tuned) شدند. برای اطمینان از پایداری داده‌ها، یک استراتژی تقویت مبتنی بر Albumentations پیاده‌سازی شد و پایداری پیش‌بینی با استفاده از رویکرد یادگیری ترکیبی آراگیری اکثریت بهینه‌سازی شد. نتایج: از میان معماری‌های ارزیابی شده، InceptionV3 عملکرد برتری را نشان داد که شامل دقت 0.98،recall 1.00 و امتیاز F1 0.99 بود. مدل ترکیبی نیز پایداری قابل مقایسه را نشان داد و دقت کلی 99% را به دست آورد. علاوه بر این، تکنیک‌های هوش مصنوعی قابل تفسیر (XAI)، به ویژه LIME و Integrated Gradients، تأیید کردند که پیش‌بینی‌های شبکه بر ویژگی‌های میکروساختاری مرتبط فیزیولوژیک نانوفایبرها متمرکز است. نتیجه‌گیری: این رویکرد فیزیکوشیمیایی مبتنی بر تصویر SEM و کمک هوش مصنوعی، استراتژی پیش‌اسکرینینگ دوستدار محیط زیست را ارائه می‌دهد که وابستگی به آزمایش‌های مبتنی بر خون و مصارف آزمایشگاهی مرتبط را به طور قابل توجهی کاهش می‌دهد. در نهایت، این چارچوب با راهنماهای ISO 10993 همسو است، زیرا از اطلاعات فیزیکوشیمیایی حاصل از SEM به عنوان ابزار پیش‌اسکرینینگ برای پشتیبانی از ارزیابی زیستی بعدی استفاده می‌کند.

متن کامل اصلی