数字孪生可以增强临床研究，帮助缓解数据差异

带有脉动静脉的发光 3D 器官在闪烁的仪表板上旋转。这种经过生成训练的人工智能模拟被称为数字孪生，是人的虚拟复制品。它具有异常精确地模拟人类生物复杂性的能力，是治疗患者时的强大工具，例如通过运行模拟来预测不同治疗方案的结果。在研究领域，专家表示，数字双胞胎可以帮助简化临床试验并缓解种族和民族数据差异。

根据 2024 年的一份报告，到 2022 年，全球医疗保健数字孪生市场的价值预计将达到 11.7 亿美元，到 2032 年预计将超过 380 亿美元报告迈向医疗保健。匹兹堡大学医学院人工智能医学新任副院长 Rashidi Hooman 表示，当数字双胞胎对患者结果进行建模时，它们会生成合成或人工数据，这些数据通常用于补充现实世界的数据。他继续说，这正在开始改变临床实践之外的生命科学格局。数字孪生还可以直接用于临床试验，预测参与者在不同治疗组中的结果。

“我们将会遭遇一场“人工智能海啸”，胡曼告诉我们生物空间在一封电子邮件中。——我们甚至还没有看到它的一瞥。三到五年后就会出现这种情况。”

“[数字孪生]现在开始满足我们的各种需求（例如药物开发或生物标志物发现）并帮助加快我们的研发领域，”他继续说道。

制药公司采用数字孪生

制药领域数字孪生的早期采用者之一是拜耳。拜耳研发部数据科学和人工智能主管 Sai Jasti 表示生物空间在一封电子邮件中，他将数字孪生视为这家制药巨头资源库中的“转型工具”，希望能够推动药物开发的创新。

“利用[数字双胞胎]使我们能够提高临床决策的准确性并简化试验流程，”他说。– 这些数据增强了我们对患者反应和治疗效果的理解，提供了传统方法中通常缺乏的更全面的观点。通过采用这些模型，我们的目标是改善患者分层并提高试验的整体效率。”

2023年，拜耳与阿斯利康达成合作协议合作与总部位于多伦多的人工智能公司 Altis Labs 合作，利用人工智能生成的数字双胞胎来帮助加速和改进癌症试验。作为交易的一部分，两家公司获得了早期测试和实施 Altis 数字孪生技术的机会。

Altis 由 Felix Baldauf-Lenschen 于 2019 年发起，旨在通过与医疗保健系统合作，根据历史去识别的患者数据训练和验证其人工智能模型，从而推进精准医疗。该公司根据真实世界的历史数据训练其模型，以预测标准护理患者的结果，这样在临床试验中，我们就可以预测如果患者获得标准护理，他们的结果会是什么——护理治疗，”他告诉生物空间。

Altis™ 方法在 2024 年欧洲肿瘤内科学会 (ESMO) 会议上进行了展示，其中海报展示强调了其在非小细胞肺癌中的预后人工智能模型。海报称，Altis AI 模型可预测总体生存率，并显示出增强治疗效果量化的潜力，超越肿瘤大小测量，历史上肿瘤大小测量一直被用作评估治疗反应和监管审批中使用的标记物的基础。

减少数据差异

Baldauf-Lenschen 表示，数字孪生还有可能帮助解决代表性不足的患者群体之间的数据差异问题。

FDA最近发布指导草案旨在标准化临床试验中种族和民族数据的收集和报告。Baldauf-Lenschen 补充说，人工智能和数字孪生可以帮助完成这些工作。

孕妇、有色人种和儿童等亚人群——所占比例极低。。。“就临床试验中正在评估的治疗证据而言，这就是开始使用人工智能来增强证据生成的真正有趣的机会，”他说。

Baldauf-Lenschen 解释说，临床试验人群和现实世界人群之间患者人口统计数据的差异可能会导致不同的疗效概况。他说，例如，与临床试验人群中观察到的结果相比，对年龄较大、病情较重的患者的治疗效果可能更弱。

根据黑色素瘤研究联盟的说法，数字孪生模型可以提高人工智能性能的一个领域是与皮肤癌作斗争的有色人种。虽然有色人种被诊断出患有黑色素瘤的几率较低，但他们被诊断出患有晚期黑色素瘤的可能性高出四倍，死于该疾病的可能性高出 1.5 倍。

发表在的一项研究JMIR皮肤科2022 年指出了一种“白镜片现象”，导致皮肤病学资源中深色皮肤病理图像的代表性不足，作者指出，通过使用浅肤色图像训练人工智能诊断系统，这使有色人种处于不利地位。他们补充说，人工智能有潜力解决这个问题。

深度学习方法可以生成逼真的皮肤病变图像，从而改善皮肤病图谱的肤色多样性。此处用于训练[卷积神经网络]的多样化图像库展示了开发通用人工智能皮肤癌诊断应用程序的潜力，”作者写道。

结对空间的挑战

接受采访的专家生物空间然而，所有人都承认，仍有无数挑战需要应对。

胡曼表示，虽然他看到了数字孪生领域的巨大创新，但该技术并非万无一失。

– 这些框架都不是完美的。它们可能看起来很神奇，但其实并不是魔法。他们遵循基本的统计参数和预测分析，”他说。– 无论您使用哪种人工智能，都会内置一个错误组件。话虽如此，我们知道它们能做什么，也知道它们的很多局限性。”

贾斯蒂说，一个关键挑战是“满足监管要求，这需要尽早与当局接触以确保合规性。”第二个挑战是历史收集数据的质量，这“至关重要”，尤其是在图像注释术语。他说，科学反馈和合作有助于拜耳解决这些问题。

另一个挑战是收集的数据量巨大。据一位专家称，数字孪生需要“过量的患者数据”才能创建准确的表示。报告由克罗莫斯制药公司生产。– 所需数据的复杂性和数量可能是一个重大障碍。 –

Baldauf-Lenschen 对此表示同意，并指出，在处理较小的人群子集（例如代表性不足的患者群体）时，训练人工智能模型变得更加困难。

胡曼表示，在医疗保健领域，当人工智能犯错时，可能会造成致命的后果。– 在我们的世界中，事情要敏感得多。如果人工智能在亚马逊上做出推荐。。。相反，如果人工智能对您的化疗提出错误的建议，可能会伤害或杀死某人。”

尽管如此，他表示他仍然充满希望。“我相信积极的因素会比消极的因素多得多，”他说。