【INC国际大咖研究成果】数字孪生技术：预测儿科癌症及其治疗神经并发症的未来

　　INC国际儿童脑瘤大咖、世界神经外科联合会(WFNS)执行委员会&顾问委员会成员之一的James T. Rutka教授发表研究《Digital Twin Technology: The Future of Predicting Neurological Complications of Pediatric Cancers and Their Treatment》(数字孪生技术：预测儿科癌症及其治疗神经并发症的未来)，以下是研究简述。

　　01. 摘要

　　在 COVID-19 大流行期间，医疗保健技术的利用率激增。远程患者护理、虚拟随访和其他未来主义形式可能会为进一步适应未来流行病的准备策略以及人工智能的不可避免发展提供支持。本手稿提出了数字孪生技术在医疗保健中的应用理论。数字孪生是一个三元概念，涉及物理模型、虚拟对应物以及两者之间的相互作用。计算机科学与医学之间的这一接口是具有广泛潜在应用的新前沿。我们提出，数字孪生技术可以全面且系统地分析实体癌症患者与相应数字模型之间的联系，旨在识别疾病相关神经系统后遗症的预测因素。这一观点基于数据科学能够补充临床专业知识，以为癌症护理的诊断、治疗计划和预后提供科学依据的前提。具体而言，数字孪生技术通过在精准医疗、癌症护理和治疗建模、预测分析和机器学习中的应用，以及整合临床医生的不同观点，来预测神经并发症。

　　02. 内容简要

　　将数字孪生技术应用于癌症治疗，可以通过与现有的健康基础设施(如电子健康记录系统)的无缝整合来实现。现有的临床数据将被充分利用，并通过添加额外的插件软件来最大化输出，类似于在计算机上更新应用程序或新的安全功能。此外，创新的数据收集策略包括通过健康手环和手表进行连续监测，这些设备可以同时测量人体生理的某些方面。在医疗保健中，数字孪生技术的早期应用源于将可穿戴传感器和追踪手环的数据纳入，以增强临床数据的定点检查。数据在现代研究中被视为“货币”，因此， readily available data points 在开发预测模型和预后工具方面具有不可估量的价值，这些工具将最大化理想的患者结果。全球更多的医疗机构可能会扩大对数字工具和技术的采用，以最小化患者和临床医生的暴露风险，同时不妥协患者护理，正如 COVID-19 大流行所展示的那样。通过引用数字孪生技术在医学中的具体应用实例，本文讨论了与儿科癌症患者相关的五个临床主题(总结在图 1 中)。数字孪生技术的不足之处在结论部分提及。

图1. 数字孪生技术在儿科癌症护理中的应用概念图

　　03. 整合不同临床医生的意见

　　明智的患者评估和临床判断无法被人工智能所取代。临床医生或许是儿科癌症治疗中最关键的部分。不同的专科医生接受过标准护理的培训，并基于敏锐的临床判断提出建议。尽管标准护理通常包含明确的决策，但医生之间的临床意见存在差异也并非不寻常。这种临床医生治疗建议的差异在一项研究中得到了体现，该研究考察了日本和西方病理学家在胃癌诊断标准上的差异 。研究得出结论，不仅病理学家的分级解释在队列中占主导地位，而且病理学家之间的差异也具有预后意义。随着时间的推移，自我学习的数字孪生模型能够评估不同临床医生之间评估差异的范围，从而有助于减少误差。Rao 等人利用数字孪生技术展示了如何缓解这些意见差异，作者将其描述为“整合主观风险”  。在这个例子中，应用的数字孪生模型基于指定的知识约束和包括医生输入在内的多样化数据集之间的相互作用，识别出新的模式。通过数据科学习得的模式可以整合不同的临床医生意见，并在需要时提供共识。

　　04. 结论

　　尽管人工智能在医疗保健领域已经做出了无可置疑的贡献，数字孪生技术在推进疾病预测方面也具有潜在应用，但提及相关的不足之处是谨慎的。首先，围绕人工智能的伦理问题，特别是隐私和持续生成的患者健康信息的访问权限，应当仔细考虑。尽管数字孪生是一个相对较新的概念，但隐私和互联网安全是各个领域持续关注的话题。然而，医院中电子健康记录系统的广泛安装已经通过为主治医生和经过验证的患者护理圈设置访问协议，树立了先例。

　　其次，将电子健康记录纳入其中或扩大其使用范围，将为癌症患者的总体医疗增加额外成本，正如新技术的可穿戴设备以及完成数字孪生三元组所需的网络连接一样。最后，一些数字孪生模型，如黑箱算法，严重依赖于深度学习计算，并因其内部工作原理的具体细节而受到一些批评。或许，鼓励更多临床医生参与背景算法的制定过程，并以顾问身份与数据工程师合作，可以使这一过程更具可信度。

　　总之，本文提出了一种新兴概念，即数字孪生技术，将其作为识别儿科癌症及其治疗神经并发症预测因子的前沿策略。通过探索实体癌症患者与人工智能之间的界面，医疗研究人员可以开始探讨一个不可避免的未来，在那个未来中，人类与机器之间的界限无疑将变得模糊。