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

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

通过构建数字孪生病程模型，我们提出了一种使用非侵入性患者健康数据来识别数字孪生模型参数的方法，借助物理信息的自监督学习算法，我们应用该方法在无监督疾病检测和模拟临床试验中的心脏血流动力学方面展示了其实用性。

Feb, 2024

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

本文提出了一种直接基于数据驱动的控制器调整方法，利用数字孪生来产生输入 - 输出数据和适当的控制器，并使用先进的神经网络架构学习控制器调整规则，从而对控制器进行重新校准，将控制工程师的角色实际上用机器学习模型代替。

Nov, 2023

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

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

工业过程优化和控制是提高经济和生态效益的关键。我们提出了人工神经双胞胎，结合了模型预测控制、深度学习和传感器网络的概念，以解决数据主权、不同目标或实施所需的专业知识等问题。通过将相互连接的过程步骤视为准神经网络，我们可以对过程优化或模型微调进行损失梯度的反向传播，从而调整过程参数或人工智能模型。该概念在 Unity 中模拟的虚拟机群中进行了演示，其中包括塑料回收中的散粒材料处理过程。

Mar, 2024

本文主要介绍了人工智能技术在医学领域中的应用，即基于大数据和机器学习的个性化医疗决策支持，以提供更好的医疗健康支持服务。

Jul, 2022

该研究论文介绍了一种基于大型语言模型的数字孪生创建方法，名为 TWIN-GPT。TWIN-GPT 可以对医疗信息进行跨数据集关联并生成独特的个性化数字孪生，从而保留个体患者特征。全面的实验证明，使用 TWIN-GPT 创建的数字孪生可以提升临床试验结果预测的准确性，超过了其他预测方法。此外，研究还证明了 TWIN-GPT 可以生成与特定患者非常接近的高保真试验数据，在数据稀缺情况下提供更准确的结果预测。此外，该研究为数字孪生在医疗保健领域的应用提供了实证证据，并强调了其潜在的重要性。

Apr, 2024