Digital Twin Generators for Disease Modeling

患者的数字孪生是描述其健康状况随时间演变的计算模型。数字孪生有可能通过实现个体水平的人类健康计算机模拟来改变医学，这可以用于进行更高效的临床试验或推荐个性化治疗方案。由于人类生物学的极度复杂性，利用大量历史患者纵向健康记录数据集生成患者数字孪生的机器学习方法比潜在的机械模型更可行。在本文中，我们描述了一种神经网络结构，可以学习临床轨迹的条件生成模型，我们称之为数字孪生生成器（DTGs），可以创建单个患者的数字孪生。我们展示了相同的神经网络结构可以通过更改训练集和调整超参数来训练，为13种不同症状的患者生成准确的数字孪生。通过引入通用的结构，我们旨在解锁将机器学习方法扩展到更大的数据集和更多症状的能力，以便为世界上的任何患者创建数字孪生。

创建数字孪生模型（digital twin）来进行个性化医疗治疗，提高临床试验效率和治疗效果。

利用大数据集和机器学习方法来生成患者的数字孪生模型，采用条件生成模型的神经网络结构，可适用于不同病症的患者。

论文提出了一种通用的神经网络结构，可用于生成不同病症患者的数字孪生模型，实现了个性化医疗治疗。实验结果表明，该方法能够生成准确的数字孪生模型，有望在更大的数据集和更多病症的情况下实现数字孪生模型的普及。

近期的相关研究包括：《A Survey of Digital Twin: Concepts, Technologies, and Applications》、《Digital Twins in Industry 4.0: A Review》等。