Digital Twin Generators for Disease Modeling

要約

患者のデジタル ツインは、時間の経過に伴う健康状態の変化を記述する計算モデルです。
デジタルツインは、人間の健康に関する個人レベルのコンピューターシミュレーションを可能にし、より効率的な臨床試験を実施したり、個別の治療オプションを推奨したりするために使用できるため、医療に革命を起こす可能性があります。
人間の生物学は圧倒的に複雑であるため、過去の患者の長期的な健康記録の大規模なデータセットを活用して患者のデジタルツインを生成する機械学習アプローチは、潜在的な機械モデルよりも扱いやすいです。
この原稿では、個々の患者のデジタル ツインを作成できるデジタル ツイン ジェネレーター (DTG) と呼ばれる、臨床軌跡の条件付き生成モデルを学習できるニューラル ネットワーク アーキテクチャについて説明します。
私たちは、トレーニング セットを変更してハイパーパラメーターを調整するだけで、同じニューラル ネットワーク アーキテクチャをトレーニングして、13 の異なる適応症にわたる患者に正確なデジタル ツインを生成できることを示します。
汎用アーキテクチャを導入することで、機械学習アプローチをより大規模なデータセットやより多くの適応症に拡張できるようになり、世界中のあらゆる患者に対してデジタル ツインを作成できるようにすることを目指しています。

要約(オリジナル)

A patient’s digital twin is a computational model that describes the evolution of their health over time. Digital twins have the potential to revolutionize medicine by enabling individual-level computer simulations of human health, which can be used to conduct more efficient clinical trials or to recommend personalized treatment options. Due to the overwhelming complexity of human biology, machine learning approaches that leverage large datasets of historical patients’ longitudinal health records to generate patients’ digital twins are more tractable than potential mechanistic models. In this manuscript, we describe a neural network architecture that can learn conditional generative models of clinical trajectories, which we call Digital Twin Generators (DTGs), that can create digital twins of individual patients. We show that the same neural network architecture can be trained to generate accurate digital twins for patients across 13 different indications simply by changing the training set and tuning hyperparameters. By introducing a general purpose architecture, we aim to unlock the ability to scale machine learning approaches to larger datasets and across more indications so that a digital twin could be created for any patient in the world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google