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。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构，称为数字孪生生成器（DTGs），通过改变训练集并调整超参数，该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的架构，我们旨在解锁机器学习方法在更大的数据集和更多症状上的可扩展性，以便可以为世界上的任何患者创建数字孪生。

May, 2024

个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法，并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。

Mar, 2024

本文提出一个新框架，通过使用知识图谱和连续时间神经网络，将患者健康数据合成为多模态数据，以便进行实时分析，从而为数字孪生模拟和个性化医疗提供全面和适应性的视图及实时分析。

Jul, 2023

本文提出了一种基于物理和数据驱动的数字孪生框架，用于自主食品加工，该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念，并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型，其最佳模型的测试均方根误差小于 1 开尔文（0.2％平均百分比误差），模拟速度加快达到 1.8E4 Sp，可用于设备内的模型预测控制。

Sep, 2022

数字健康孪生可以定义为物理人的虚拟模型，由临床、分子、治疗参数、传感器数据和生活条件组成；与计算病理学相结合，有助于创建计算模型；数字临床试验的集成，必须考虑隐私保护措施。

Nov, 2022

对于非线性动力系统的数字孪生，其基本要求是能够生成系统的演化并预测潜在的灾难性紧急行为，以提供早期警示。数字孪生可以实时用于系统的 “健康” 监测和预测问题的解决。构建非线性动力系统的数字孪生有两种方法：稀疏优化和机器学习。本文描述了这两种方法的基本概念并讨论了它们的优势和注意事项。

Sep, 2023

心脏数字孪生是个体化的虚拟表示，用于理解复杂的心脏机制。本文综述了解决心电图反问题的方法、验证策略、临床应用和未来展望，涵盖了确定性和概率方法，包括传统和基于深度学习的技术。整合物理定律与深度学习模型有潜力，但需要克服动态电生理学的准确捕捉、获得准确的领域知识和量化预测不确定性等挑战。将模型整合到临床工作流中，确保对医疗专业人员的解释性和可用性至关重要，克服这些挑战将推动心脏数字孪生领域的进一步研究。

Jun, 2024

本研究提出了一种基于预测性数字孪生的方法，用于土木工程结构的健康监测、维护和管理规划，通过动态贝叶斯网络建模实现了实时的结构健康诊断和故障预测，并利用此信息用于动态决策框架中的维护和管理行动的优化规划。通过两个综合案例研究，验证了该方法对健康感知数字孪生的动态决策能力。

Aug, 2023

通过持续数据同化，智能数字孪生系统（SDTs）在多个领域中使用图像数据观察和学习系统行为，并控制其行为，从而提高复杂系统的性能优化。本文聚焦于不断同化物理系统中的图像数据来发展基于图像的 SDTs 的各种方法及相关挑战，并讨论了设计和实现 DL 模型用于 SDTs 所面临的挑战，包括数据采集、处理和解释等方面。此外，还提供了关于发展新的基于图像的 DL 方法以构建稳健 SDTs 的未来方向和机会，包括利用生成模型进行数据增强，开发多模态 DL 模型，以及探索与 5G、边缘计算和物联网等其他技术的融合。本文描述了基于图像的 SDTs，使得数字孪生系统（DT）的范式能够在广泛的领域得到更广泛的应用，并开发新的方法以提高 SDTs 在复制、预测和优化复杂系统行为方面的能力。

Jan, 2024

本文介绍了基于参数化物理模型的数字孪生（PPB-DT），用于统计预测激光粉末床熔化金属增材制造过程中的熔池几何和缺陷识别在内的诊断应用。通过基于物理模型和实验数据训练的机器学习模型（PPB-ML-DT），这些数字孪生模型可用于预测、监测和控制熔池几何，加快基于激光粉末床熔化金属增材制造的产品开发和认证过程。

Nov, 2023