数字孪生市场主要目标是工业和制造业,据《财富商业洞察》预测,数字孪生市场2023年的市值将达到115.1亿美元,到 2030年其年复合增长率将达到42.6%。而新兴的生物数字孪生子集也正受到越来越多的关注。
打造一个与医学相关的人类数字替身的想法其实并不再像以前那么遥远,2022年8月发表的一篇综述文章仅以心血管疾病为重点,文章发现有15家公司对该新兴领域有商业兴趣以及3项与心脏相关的专利申请和88篇同行评审论文。
这些都是数字孪生在生物医疗领域的应用基础。
心血管生物数字孪生
大家对数字孪生整体类别的兴趣激增,导致了一些混乱。这种混乱在所谓的“技术炒作”周期中常常发生,仔细研究一下心血管生物数字孪生有助于澄清问题。
首先,这个小众领域的存在说明了一些问题。
应用于生物医疗领域的数字孪生并不一定代表整个人,和创建飞机机翼或起落架等子系统的孪生体一样,可以对生理系统建模,生理系统更小一些,并不是整个人体。
其次,孪生并非纯粹由数据驱动。
心血管生物数字孪生不是一系列心电图读数、压力测试结果、血压读数或其他类似数据,数字孪生在最开始时需要构建物理模型所需的参数,例如四个相互连接的心腔与静脉和动脉网络相连,进而实现确定的血流量。
这两点听起来可能很简单,但思维上的模糊却比比皆是。只是简单地将健康数据和人工智能混在一起并不能得到数字孪生,这样做不能强化个人电子健康记录,也无法实现医学上有效的模拟、测试和预测目标。
数字孪生的模拟模型
如果你正在构建“客户的数字孪生”,万一出错,可能会对业务产生影响,但不会造成生死攸关的后果。
而心血管数字孪生的早期用例都极有可能涉及危重病人,因此数字孪生组成部分的定义必须精确。
心血管系统非常复杂,但可以对其进行机械式的描述。
例如,一个电路图中的电容器、二极管和电阻器可以代表人的心腔、瓣膜和全身的血管,电流则代表血液流动,这样理解的话,该模型就是由模拟电路驱动的系统而不是由二元数据驱动。这一点也就成了建立各种假设情景的框架。
数字孪生的形成
要将通用模型调整为个体数字孪生模型需要结合群体层面的知识和患者自身的数据,从我们的角度来看,这一过程包括两个步骤。
首先是建立一个数字群体,其中包括各种假设场景和不同情况下的相应预测测量结果,这可能涉及使用大型公共卫生数据集的各项工作。
接下来是将观察到的患者测量数据与观察到的情境结合起来,再使用统计推断找到哪些最初的假设场景最有可能解释当前的观察结果。这种假设场景的分布就形成了数字孪生。
让我们为心脏升级
心脏的数字孪生体并不是个能够以虚拟的方式拿到手里左右转动的三维全息图,这其实其实存在一个误解,数字孪生终归看上去确实是个相当朴素的数学模型。
我们的心血管生物数字孪生的目标是找到科学合理的方法,提高个体心脏状况的可视性,降低心脏衰竭对全球死亡率的负面作用。其他生物数字孪生可能也有类似的愿景。而对于制造、运输和其他领域的数字孪生系统,目标也是系统模拟,以便更好地了解它及支持更好的决策制定。
不管是哪种情况,如果您正在参与这一类的数字孪生计划,请考虑采用以下的共识和方法:
数字孪生的市场价值如此之高,其原因是数字孪生的巨大改进潜力,生物医疗领域的数字孪生则有望延长生命。
好文章,需要你的鼓励
这项由中国移动和Zero Gravity实验室合作的研究成功突破了大模型训练的网络带宽限制,首次实现在1Gbps网络下训练1070亿参数模型,速度比传统方法快357倍。通过流水线并行、延迟重叠机制和自适应压缩算法的创新组合,为分布式AI训练开辟了新可能。
帕洛阿尔托创业公司Catio在VentureBeat Transform 2025大会上获得"最酷技术"奖。该公司成立于2023年,已筹集700万美元资金。Catio推出的AI技术架构副驾驶将架构重新定义为可编码、可内省和智能演进的活体系统。通过结合实时架构地图和多智能体AI组织,帮助工程团队从被动决策转向持续主动的架构优化,为CTO和架构师提供数据驱动的架构决策支持。
这项研究介绍了MADrive系统,一种革命性的自动驾驶场景模拟技术。该系统通过一个包含7万辆真实车辆的数据库,能够将普通驾驶录像转换成各种危险场景的高逼真度模拟,为自动驾驶系统提供安全的训练环境。实验表明,相比传统方法,MADrive在多个关键性能指标上都有显著提升,为解决自动驾驶训练数据稀缺问题提供了新思路。