用于疾病建模的数字孪生生成器
原文中文，约400字，阅读约需1分钟。发表于：。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。
智能数字孪生系统（SDTs）通过同化图像数据观察和学习系统行为，提高复杂系统性能优化。文章讨论了基于图像的SDTs方法、挑战和未来方向，包括数据采集、处理、解释、生成模型、多模态DL模型和与其他技术的融合。这将使得数字孪生系统在广泛领域得到更广泛应用，并提高复杂系统行为的复制、预测和优化能力。
