人体数字孪生将颠覆传统医学

无论是西门子电机、特斯拉汽车还是整个城市，数字孪生都被广泛地用于模拟现实世界中的物体、系统和过程。而如今，新的数字孪生正在进入这么一个科技领域：那就是“人类自身”！

对许多人来说，人类的实时虚拟模型听起来有点过于科幻，但创造这些模型的科学和工程技术已经存在，医疗保健公司都已经被迷住了！“心动“必有行动，比如：Neuroelectricals Barcelona正在领导一个由欧盟资助、耗资数百万欧元的项目Neurotwin，该项目旨在根据阿尔茨海默症患者的神经成像数据，开发个性化的大脑模型，进而寻找恢复健康大脑动力学的方法；而总部位于法国的达索系统公司(Dassault)协同多家合作伙伴，正在开发数字人体心脏模型，以提供个性化的心脏患者护理，这是一项名为“活心脏项目”的大型国际行动的一部分。

随着人体器官虚拟模型的激增，瑞典Linköping大学生物医学工程系的Gunnar Cedersund已经在将这些点联系起来。他相信对未来的医疗保健，数字孪生将至关重要，并确信现在是时候让人类的电脑副本栩栩如生了。

正如Cedersund所指出的，在大多数西方国家，对老年人的护理将激增，2型糖尿病、心血管疾病以及与肥胖相关的疾病，将使医疗服务达到极限。与此同时，随着无数消费者生物技术和数字健康工具的上线，以及建模和机器学习的显著发展，世界正在见证医疗数据的爆炸式增长。

Cedersund在接受采访时表示：“人们将看到对数字孪生的需求越来越大，同时可能性也越来越大。相信我们可以制作出吸引人、直观有用的(人体模型)。”

他说，对于数字孪生，“我们应该能够分析这些数据，找到预防疾病或治疗病人的最佳方法。通过交互式人类计算机副本，可以让我们看清里面究竟发生了什么，也可以看看如果病人服用某种药物、改变饮食、或者开始锻炼后会发生什么。”

模型制作

Cedersund及其同事开发的基于早期学习的模型，使用身高、体重、血压和空腹血糖水平的数据来预测一个人的中风风险。然而，研究人员还创建了人体大多数主要器官的复杂机制模型，包括心脏、肝脏、大脑和胰腺，以及脂肪和肌肉组织。有趣的是，他们将这些单个器官模型与现有的血液流动模型联系起来，形成了多器官系统模型，因而可以分析各个器官以及互相关的生化过程。

正在研究的一个关键过程是新陈代谢。当我们吃饭时，糖会从肠道进入血液，体内的胰腺会检测到这一过程，并产生胰岛素，胰岛素会到达其他器官，其结果是这些器官可能会改变它们的新陈代谢。Cedersund及其同事制定了表征这些过程的方程，并在他们的模型中进行了模拟，然后与临床研究的实际实验数据进行了比较，以提供合理的人体反映。与机器学习相比，这种机械模型产生了更通用的人工智能，因为它可以整合各种各样的数据，包括模型开发实际上用不上的数据。

例如，Cedersund说：“我们已经建立了一个详细的肝脏代谢模型和一个膳食模型，其中还包含其他器官的代谢数据。而早期的模型无法描述蛋白质向糖的转化，因此无法模拟饮食改变的影响。”

制药行业巨头对此很感兴趣。作为研究的一部分，Cedersund一直在与阿斯利康合作，了解2型糖尿病药物如何降低心脏病的风险。利用这家(英国-瑞典)跨国公司的体外类器官实验数据，创建了一个计算机副本，并运行其模型来理解过程和预测结果。传统的药物测试成本高达数十亿美元，但数学模型可能会提供一条便宜得多的研究路线，甚至可能成为未来的、更快验证过程的基础。

Cedersund说：“如果真的想模拟对不同饮食或药物的反应，同时模拟免疫过程和可能随着时间变化的糖尿病发展，那么就需要多器官的数字孪生，而不是机器学习和传统的人工智能”。“我们也一直在帮助阿斯利康研究治疗与糖尿病相关的疾病，如炎症和脂肪肝”。

阿斯利康并不是唯一一家从事数字孪生研究的制药企业。丹麦诺和诺德公司一直在资助BioTwin项目，该项目正在为用户生成个性化的数字孪生，以监测营养和体重。总部位于英国的初创公司Sanome也正致力于打造数字孪生，以尽早检测健康变化。

随着越来越多的参与者加入该领域。在医疗保健领域，整合技术和开发人类数字孪生开放生态系统的必要性变得越来越明显。去年启动的泛欧医疗保健数字孪生生态系统(Edith)项目，旨在制定虚拟人类孪生路线图。该联盟的成员还将开发一个数字孪生存储库，并为模拟平台奠定基础。

到目前为止，已有19个组织加入了Edith的行列，其中包括阿姆斯特丹大学、比利时虚拟生理人研究所、意大利人工智能机构Pi School、法国国家数字科学与技术研究所以及伦敦玛丽女王大学。

Edith成员、玛丽女王大学计算医学讲师Caroline Roney，一直在开发心脏心房和虚拟病人的人体模型，以探求心房颤动(一种常见的异常心律)患者的特异性治疗方案。例如，她一直在与约翰斯·霍普金斯大学和加州大学圣地亚哥分校的研究人员合作，使用弥散张量MRI数据集来创建心房纤维图谱。鉴于她的背景，Roney作为Edith的一员正在参加一项心脏病例研究。该研究最终将与其他器官和相关疾病(如癌症和骨质疏松症)的案例研究、以及其他类型的数据联系起来。对于集成数字孪生来说，这将是至关重要的。

图1：Caroline Roney及同事开发的心房数字孪生。(资料来源：Caroline Roney)

图1中最左列为根据MRI图像构建的个性化模型，而后续各列中则考虑了结构和电气个性化因素。针对患者的计算机模拟，用来研究为什么认为患者有可能发生心房颤动，并测试不同的治疗方案。

Roney在谈到Edith项目时说：“全世界都在意识到，如果个性化医疗能够广泛应用，那么它将是多么具有革命性！人们将见证我们如何创建数字孪生，从而快速推进相关研究”，“我们将共享和集成研究方法、数据集和模型，来真正改进治疗方案，并向业内许多人学习，以便做得最好。”

与Cedersund和数字孪生社区中的许多其他人一样，Roney一直在研究机器学习方法和机械模拟，并显然意识到随后的模型复杂性会越来越高，且这些模型将会利用来自越来越多不同源的数据。除了核磁共振扫描，还有CT扫描、时间序列数据，包括心电图、压力测量等。

Roney说：“Edith的想法是，任何人都可以贡献一个案例研究……我们的愿景是建立一个庞大的、可访问的数据库，这样人们就可以链接到不同的成像或时间序列数据集，这些数据集可能与疾病、患者年龄或身体中所在位置有关。”

图2：心脏核磁共振强度分布显示了心脏纤维化的位置在不同患者之间是如何变化的。其中的大图像所示为单个患者的数据集，可以与众人进行比较。(资料来源：Caroline Roney)

标准与伦理

随着人类数字孪生的诞生，数据标准化将成为一个问题，就此Edith研究人员正在进行相应的研究。Roney研究的很大一部分是了解如何使用不同的数据集，并将人群数据与患者数据相结合，以确定最佳治疗方案。另外，对于数字孪生所捕获的越来越多的人体数据，研究人员还要确保其利用能够符合道德标准和法律规定，并且还要确保任何正在开发的模型对患者和临床医生都有用。

“我们都有不同的工具和资源，但都想相互分享，并确保我们不会每次都重新开发模型，”Roney说，“我希望Edith能解决的一件事，就是在推进研究的同时，能找到一种共同的方法来做到这一点。”

那么，就整个人类数字孪生具体何时可以实际使用，Roney预计还没有那么快。“现在，我真的很专注于让这些单器官模型真正发挥作用，”她说，“我们正在努力实现全身数字孪生的愿景。这还有一段路要走，但我们离得越来越近了。”

然而，Cedersund相信，人类数字孪生可能很快就会出现。去年12月，他获得了600万欧元的奖金，负责一个由欧盟资助的项目Stratif AI，该项目将开发、评估和实施人类数字孪生，以帮助预防和治疗中风。作为该项目的一部分，他的多器官全身模型，将在数百名患者身上进行验证，而这些患者分别来自欧洲五个国家的八家医院。

“我们已经有了一款在智能手机上显示数据的应用程序，”他介绍道，“目前还没有得到认证。但大约两年后，患者可能会开始使用这些数字孪生的早期测试版……这是一个快速发展的领域，正在迅速普及。”

(参考原文：Human Digital Twins Are Set to Revolutionize Medicine）

本文为《电子工程专Human Digital Twins Are Set to Revolutionize Medicine辑》2023年7月刊杂志文章，版权所有，禁止转载。点击申请免费杂志订阅