预计到2032年，全球医疗市场中的人工智能（AI）模拟技术价值将超过380亿美元，有潜力简化临床试验并帮助解决未被充分服务的患者群体的数据不平等问题。一个闪烁的仪表盘上旋转着一个发光的3D器官，带有脉动的血管。这种生成训练的AI模拟被称为“数字孪生”，它是人的虚拟副本，具有模仿人类生物复杂性的独特能力，可以精确地模拟不同治疗方案的结果，从而成为治疗患者的强大工具。在研究领域，专家表示，数字孪生技术可以帮助简化临床试验并缓解种族和族裔数据差异。
据2024年Towards Healthcare的一份报告，2022年全球医疗数字孪生市场价值为11.7亿美元，预计到2032年将超过380亿美元。匹兹堡大学医学院新任医学AI副院长Hooman Rashidi表示，随着数字孪生模型预测患者结果，它们会生成合成或人工数据，通常用于补充真实世界数据。他继续说道，这已经开始改变生命科学领域的格局，而不仅仅是在临床实践中。数字孪生技术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。
“我们将迎来一场AI海啸，”Hooman在一封发给BioSpace的邮件中说，“我们甚至还没有看到它的冰山一角。它将在三到五年内到来。”“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。”
制药业采用数字孪生技术
拜耳公司是制药领域早期采用数字孪生技术的企业之一。拜耳研究与开发部数据科学和人工智能主管Sai Jasti在一封发给BioSpace的邮件中表示，他认为数字孪生是这家制药巨头资源库中的“变革工具”，希望推动药物开发创新。“利用这些技术可以使我们在临床决策中提高精度，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，提供了传统方法中常常缺乏的更全面视角。通过使用这些模型，我们旨在改善患者分层并提高试验的整体效率。”
2023年，拜耳和阿斯利康与多伦多的AI公司Altis Labs合作，利用AI生成的数字孪生技术加速和改进癌症试验。作为协议的一部分，这些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年创立，旨在通过与医疗系统合作，使用历史去标识化患者数据训练和验证其AI模型来推进精准医疗。“在临床试验中，我们可以预测患者在接受标准治疗时的结果，”他在接受BioSpace采访时说。
在2024年的欧洲肿瘤内科学会（ESMO）会议上，一张海报展示了Altis在非小细胞肺癌方面的预后AI模型。根据海报，Altis的AI模型预测了总生存率，并显示出超越传统基于肿瘤大小测量的治疗反应评估和监管批准标志物的潜力，能够更准确地量化治疗效果。
缓解数据不平等
Baldauf-Lenschen表示，数字孪生技术还有助于解决未被充分代表的患者群体中的数据不平等问题。美国食品药品监督管理局（FDA）最近发布了旨在标准化临床试验中种族和族裔数据收集和报告的草案指南。Baldauf-Lenschen补充道，AI和数字孪生技术可以帮助实现这些目标。
“孕妇、有色人种和儿童等亚人群在临床试验中评估治疗证据方面极度不足，这是使用AI增强证据生成的一个非常有趣的机遇，”他说。Baldauf-Lenschen解释道，临床试验人群与现实世界人群之间的患者人口统计学差异可能导致不同的疗效特征。例如，老年、病情较重的患者的治疗效果可能比临床试验人群中观察到的效果更为微弱。
根据黑色素瘤研究联盟的说法，数字孪生模型可以在对抗皮肤癌的有色人种患者中提高AI性能。2022年发表在《JMIR皮肤病学》上的一项研究指出了一种“白镜头现象”，导致皮肤病理图像在皮肤病学资源中代表性不足，作者指出，这使有色人种在使用以浅肤色图像训练的AI诊断系统时处于不利地位。他们补充说，深度学习方法可以生成逼真的皮肤病变图像，提高皮肤病图谱的肤色多样性。利用这些多样化的图像库训练卷积神经网络，展示了开发通用AI皮肤癌诊断应用的潜力。
数字孪生技术面临的挑战
然而，接受BioSpace采访的专家们均承认，仍有许多挑战需要解决。Hooman表示，尽管他看到了数字孪生技术的巨大创新，但这项技术并非无懈可击。“这些框架都不是完美的。它们看起来像魔法，但并不是魔法。它们遵循基本的统计参数和预测分析，”他说，“无论使用哪种AI，都会有一个误差成分。也就是说，我们知道它们的许多局限性。”
Jasti提到的一个关键挑战是“导航监管要求，这需要尽早与当局接触以确保合规”。另一个挑战是历史数据的质量，尤其是图像注释。“这是非常重要的，”他说。科学反馈和合作帮助拜耳应对这些问题。
另一个挑战是收集的数据量。Cromos Pharma的一份报告显示，数字孪生技术需要“大量的患者数据”才能创建准确的表示。“所需数据的复杂性和数量可能是一个重大障碍。”Baldauf-Lenschen同意这一观点，指出在处理较小的人群子集（如未被充分代表的患者群体）时，训练AI模型变得更加困难。Hooman表示，在医疗保健领域，当AI犯错时，可能会产生致命后果。“在我们的世界里，事情要敏感得多。如果AI在亚马逊上做出推荐……与AI在化疗治疗上做出错误推荐相比，后者可能会伤害或杀死某人。”
尽管如此，他表示乐观。“我相信积极的一面将远远大于消极的一面，”他说。
(全文结束)
