The stochastic digital human is now enrolling for in silico imaging trials -- Methods and tools for generating digital cohorts

당신은 의사이거나 의료 기기 제조사라고 상상해 보십시오. 새로운 X 선 기계나 신체 스캔의 새로운 방법을 개발했고, 병원에 판매하기 전에 그 기능이 작동함을 입증해야 합니다. 보통 수백 명의 실제 사람을 찾아 스캔을 하고, 기계가 질병을 정확하게 발견하는지 확인하는 임상 시험을 수행해야 합니다.

이 논문은 이 과정이 느리고 비용이 많이 들며 때로는 관련 인들에게 위험하다고 주장합니다. 대신 저자들은 이러한 시험의"비디오 게임"버전을 제안합니다. 기계를 테스트하기 위해 디지털 인간으로 가득 찬 가상 세계를 구축하고자 하는 것입니다.

다음은 간단한 비유를 사용한 그들의 아이디어에 대한 요약입니다:

1. 목표:"가상 경기장"

실제 임상 시험을 거대한 스포츠 토너먼트라고 생각해 보십시오. 게임을 플레이할 실제 선수 (환자) 가 필요합니다. 하지만 적합한 선수를 찾는 것은 어렵습니다. 일부는 다칠 수 있고, 일부는 포기할 수 있으며, 드문 배경 (예: 매우 키가 큰 사람이나 특정 희귀 질환을 가진 사람) 을 가진 선수가 부족할 수 있습니다.

저자들은 가상 경기장(in silico trial 이라고 함) 을 구축하고자 합니다. 이 경기장에서"선수"들은 확률적 디지털 인간입니다.

• **"확률적 (Stochastic)"**은"무작위"를 뜻하는 어려운 단어입니다. 이는 이러한 디지털 인간이 모두 동일한 복제본이 아님을 의미합니다. 실제 사람들과 마찬가지로 크기, 모양, 조직 밀도에서 무작위 변이를 가지고 생성됩니다.
• 목표는 실제 사람이 스캐너에 들어오도록 요청하지 않고도 수천 명의 이러한 디지털 사람들로 구성된 군중을 만들어 의료 기기를 방대하고 다양한 그룹에서 테스트할 수 있도록 하는 것입니다.

2. 등장인물: 어떻게 구축할까요?

이 논문은 비디오 게임 캐릭터를 만드는 방식과 유사하게 이러한 디지털 사람을 구축하는 다양한 방법이 있다고 설명합니다.

A."사진처럼 사실적인"아바타 (개별 모델)

• 개인화 모델: 특정 사람의 MRI 스캔을 가져와 3D 디지털 트윈으로 변환한다고 상상해 보십시오. 이는 그 한 사람을 위한 수술 계획을 세우는 데 훌륭하지만, 먼저 수백만 명의 실제 사람을 스캔해야 하므로 전체 인구를 대상으로 기기를 테스트하는 데는 유용하지 않습니다.
• 가족 모델: 실제 스캔을 기반으로 한 (아버지, 어머니, 두 자녀) 작은"가족"의 디지털 사람을 상상해 보십시오. 이는 더 낫지만, 여전히 전 세계를 대표하기에는 너무 작습니다.

B."생성기"(인구 모델)
거대한 군중을 얻으려면 처음부터 사람을 생성할 수 있는 기계가 필요합니다. 논문은 이를 수행하는 두 가지 주요 방법을 논의합니다.

• "주형"방법 (이미지 기반): 수천 장의 X 선과 같은 실제 의료 이미지 더미를 가져와 수학을 사용하여 이를 늘리고, 줄이고, 혼합하여 새로운 이미지를 생성합니다.
  • 문제점: 실제 X 선이 흐릿하거나 노이즈가 있다면, 디지털 사람들도 이러한 결함을 물려받게 됩니다. 잉크가 번진 레시피로 완벽한 케이크를 굽으려는 것과 같습니다.
• "청사진"방법 (지식 기반): 실제 사진을 복사하는 대신 생물학에 기반한 규칙 집합 (청사진) 을 작성합니다. 컴퓨터에"혈관이 나무처럼 갈라지는 50% 지방과 50% 선 조직으로 구성된 유방을 만드세요"라고 지시합니다.
  • 장점: 사진 데이터베이스에 존재하지 않을 수 있는 드문 유형을 포함하여 수백만 개의 고유한 사람을 이렇게 생성할 수 있습니다.
  • 문제점: 규칙이 잘못되면 조직 대신 스펀지로 만든 간을 가진 디지털 인간을 생성할 수 있습니다.

3."악당"추가 (질병 모델링)

의료 시험은 건강한 사람들에 관한 것뿐만 아니라 아픈 사람을 찾는 것에 관한 것입니다. 디지털 인간에게 종양을 어떻게 넣을까요?

• "스티커"방법 (이미지 기반): 종양의 실제 사진을 가져와 디지털 신체에 붙입니다.
  • 문제점: 그림에 붙인 스티커처럼 조금 가짜처럼 보입니다. 주변 신체와 상호작용하지 않습니다.
• "성장"방법 (지식 기반): 종양이 생물학적 규칙에 따라"성장"하도록 프로그래밍합니다. 주변 조직이 단단하면 종양은 특정 방식으로 자라고, 부드럽다면 다르게 자랍니다.
  • 장점: 이는 질병이 실제로 어떻게 행동하는지에 대한 훨씬 더 현실적인 시뮬레이션을 생성합니다.

4."포토 에디터"기법 (증강)

때로는 충분한 디지털 사람이 없습니다. 따라서 가지고 있는 것을"편집"합니다.

• 사진 앱의 필터를 사용하는 것처럼 회전시키거나, 밝기를 변경하거나, 이미지에"정적"(노이즈) 을 추가할 수 있습니다.
• 경고: 저자들은 너무 많이 편집하면 불가능한 것을 만들 수 있다고 경고합니다. 예를 들어, 실수로 뼈가 피부보다 부드럽게 보이게 하면 테스트 결과가 쓸모없게 됩니다. 더 많은 데이터를 만들기 위해 물리 법칙을 깨뜨리지 않도록 주의해야 합니다.

5. 가장 중요한 교훈: 표본을 속이지 마십시오

이것이 이 논문의 가장 큰 경고입니다. 새로운 신발을 테스트한다고 상상해 보십시오.

• 달리는 사람들(특정 그룹) 만 신발을 테스트하면 신발이 훌륭하다고 생각할 수 있습니다.
• 하지만 실제로 모든 사람(걷거나 춤추거나 평발인 사람 포함) 에게 판매하면 신발이 실패할 수 있습니다.

디지털 세계에서는 실수로"편향된"디지털 인간 그룹을 선택하기 매우 쉽습니다.

• 함정: 생각 없이 무작위로 디지털 인간을 선택하면 대부분 평균적인 크기를 가진 사람들로 구성된 그룹이 될 수 있습니다."이상치"(매우 크거나 매우 작은 사람) 를 놓칠 수 있습니다.
• 결과: 논문은 잘못된 그룹을 선택하면 테스트 결과가 완전히 틀릴 수 있음을 보여줍니다. 실제 세계에서는 정확도가 77% 일 뿐인데 기기가 90% 정확하다고 생각할 수 있습니다.

요약

이 논문은 의료 기기를 위한 가상 테스트장을 구축하는 가이드북입니다.

1. 왜? 실제 시험은 느리고 비용이 많이 들며 조직하기 어렵습니다.
2. 어떻게? 실제 데이터 (사진) 나 생물학적 규칙 (청사진) 을 사용하여"확률적 디지털 인간"을 구축합니다.
3. 문제점: 가상 군중이 실제 세계와 정확히 같도록 매우 주의해야 합니다. 테스트할"디지털 사람"을 잘못 선택하면 잘못된 답변을 얻을 수 있으며, 이는 나중에 실제 환자에게 위험할 수 있습니다.

저자들은 이러한 디지털 군중을 구축할 도구가 있지만, 여전히 사람들의 삶을 신뢰할 수 있을 정도로 현실적인지 확인하는 방법을 정확히 찾아내야 한다고 결론지었습니다.