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

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

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

通过对外科数据科学领域的当前实践、取得的关键成就和倡议、可用标准和工具以及已有 SDS 产品和学术翻译成果的综合评估，本文开展了关于外科数据科学的综述。

Oct, 2020

数字孪生是过程工业数字化转型的核心，本研究对数字孪生的建模方法、学习策略和挑战进行了系统分析，旨在填补现有研究中对过程工业数字孪生学习模式的缺失。

Jul, 2024

本文提出了一个数字化框架，通过权衡每个层次的利弊，制定数字孪生系统的评价标准，评估所选数字孪生系统对组织流程、策略和价值创造的影响，来帮助实践者选择数字孪生系统中的适当复杂度，同时提出数字孪生系统能提供诸如预测、模拟、人工智能和机器学习等新兴能力的误用选择可能带来的风险。三个实际案例证明了该框架的应用和实用性。

Jan, 2022

本篇论文提供了数字孪生在自主车辆工业中的系统评述，重点强调了准确的数据收集、实时分析和高效的模拟能力，以此来提高性能和可靠性，同时探讨了数字孪生的技术挑战和中心技术，并对在智慧城市中自主车辆所使用的不同方法进行了对比分析，最后讨论了数字孪生在自主车辆行业中的应用挑战和限制。

May, 2023

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

数字孪生在交通领域的诊断能力有限，需要进一步研究以实现诊断推理。

Jan, 2024