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

Stel je voor dat je arts bent of een fabrikant van medische apparatuur. Je hebt een nieuwe röntgenmachine of een nieuwe manier om het lichaam te scannen, en je moet bewijzen dat het werkt voordat je het aan ziekenhuizen kunt verkopen. Meestal moet je dan een klinisch onderzoek uitvoeren. Dit betekent dat je honderden echte mensen moet vinden, hen moet scannen en moet controleren of de machine ziekten correct detecteert.

Dit artikel betoogt dat dit proces traag, duur en soms riskant is voor de betrokken personen. In plaats daarvan stellen de auteurs een "videospel"-versie van dit onderzoek voor. Zij willen een virtuele wereld bouwen vol digitale mensen om de apparatuur te testen.

Hieronder volgt een uiteenzetting van hun ideeën, met behulp van eenvoudige analogieën:

1. Het Doel: Het "Virtuele Stadion"

Stel je een echt klinisch onderzoek voor als een enorm sporttoernooi. Je hebt echte atleten (patiënten) nodig om het spel te spelen. Maar het vinden van de juiste spelers is moeilijk; sommigen kunnen gewond raken, anderen kunnen afhaken, en je hebt misschien niet genoeg spelers uit zeldzame achtergronden (zoals zeer lange mensen of mensen met een specifieke zeldzame ziekte).

De auteurs willen een Virtueel Stadion bouwen (een zogenaamde in silico trial). In dit stadion zijn de "atleten" Stochastische Digitale Mensen.

• "Stochastisch" is een fancy woord voor "willekeurig". Het betekent dat deze digitale mensen niet allemaal identieke klonen zijn. Ze worden gegenereerd met willekeurige variaties in grootte, vorm en weefseldichtheid, net als echte mensen.
• Het doel is om een menigte van duizenden van deze digitale mensen te creëren, zodat je je medische apparaat kunt testen op een enorme, diverse groep zonder ooit een echt persoon te vragen de scanner binnen te stappen.

2. De Cast van Personages: Hoe Bouwen We Ze?

Het artikel legt uit dat er verschillende manieren zijn om deze digitale mensen te bouwen, vergelijkbaar met hoe je een personage in een videospel bouwt.

A. De "Foto-Realistische" Avatars (Individuele Modellen)

• Gepersonaliseerde Modellen: Stel je voor dat je de MRI-scan van een specifiek persoon neemt en er een digitale tweeling van maakt. Dit is geweldig voor het plannen van een operatie voor die ene persoon, maar het is niet bruikbaar om een machine te testen op een hele populatie, omdat je eerst miljoenen echte mensen zou moeten scannen.
• Familie-modellen: Stel je een kleine "familie" van digitale mensen voor (een vader, een moeder en twee kinderen) gebaseerd op echte scans. Dit is beter, maar nog steeds te klein om de hele wereld te vertegenwoordigen.

B. De "Generatoren" (Populatiemodellen)
Om een enorme menigte te krijgen, heb je een machine nodig die mensen vanuit het niets kan creëren. Het artikel bespreekt twee hoofdmanieren om dit te doen:

• De "Mold"-methode (Op afbeeldingen gebaseerd): Je neemt een stapel echte medische beelden (zoals duizenden röntgenfoto's) en gebruikt wiskunde om ze te rekken, te verkleinen en te mengen om nieuwe te creëren.
  • Het Nadeel: Als je echte röntgenfoto's wazig zijn of ruis bevatten, zullen je digitale mensen die gebreken erven. Het is alsof je probeert een perfecte taart te bakken met een recept waarop de inkt is uitgelopen.
• De "Blauwdruk"-methode (Op kennis gebaseerd): In plaats van echte foto's te kopiëren, schrijf je een reeks regels (een blauwdruk) gebaseerd op biologie. Je vertelt de computer: "Maak een borst die voor 50% uit vet en voor 50% uit klierweefsel bestaat, met bloedvaten die zich vertakken als een boom."
  • Het Voordeel: Je kunt op deze manier miljoenen unieke mensen genereren, inclusief zeldzame types die misschien niet in je fotodatabase voorkomen.
  • Het Nadeel: Als je regels verkeerd zijn, kun je een digitale mens creëren met een lever van spons in plaats van weefsel.

3. De "Slechte Jongens" Toevoegen (Ziekte Modelleren)

Een medisch onderzoek gaat niet alleen over gezonde mensen; het gaat om het vinden van de zieke mensen. Hoe plaats je een tumor in een digitale mens?

• De "Sticker"-methode (Op afbeeldingen gebaseerd): Je neemt een echte foto van een tumor en plakt deze op een digitaal lichaam.
  • Probleem: Het ziet er een beetje nep uit, alsof het een sticker is op een schilderij. Het interageert niet met het lichaam eromheen.
• De "Groeimethode" (Op kennis gebaseerd): Je programmeert de tumor om te "groeien" volgens biologische regels. Als het omliggende weefsel stijf is, groeit de tumor op een bepaalde manier; als het zacht is, groeit het anders.
  • Voordeel: Dit creëert een veel realistischere simulatie van hoe een ziekte zich eigenlijk gedraagt.

4. De "Foto-editor" Truc (Augmentatie)

Soms heb je niet genoeg digitale mensen. Dus neem je degenen die je hebt en "bewerk" je ze.

• Je kunt ze draaien, de helderheid veranderen of "statische ruis" toevoegen aan de afbeelding, net als het gebruik van filters in een foto-app.
• De Waarschuwing: De auteurs waarschuwen dat als je te veel bewerkt, je iets onmogelijks kunt creëren. Als je bijvoorbeeld per ongeluk een bot zachter maakt dan de huid, zullen je testresultaten waardeloos zijn. Je moet oppassen dat je de wetten van de natuurkunde niet breekt terwijl je probeert meer data te maken.

5. De Belangrijkste Les: Val de Steekproef niet

Dit is de grootste waarschuwing van het artikel. Stel je voor dat je een nieuwe schoen test.

• Als je de schoenen alleen test op hardlopers (een specifieke groep), denk je misschien dat de schoenen geweldig zijn.
• Maar als je ze eigenlijk aan iedereen verkoopt (inclusief mensen die lopen, dansen of platvoeten hebben), kunnen de schoenen falen.

In de digitale wereld is het heel gemakkelijk om per ongeluk een "bevooroordeelde" groep digitale mensen te kiezen.

• De Valstrik: Als je willekeurig digitale mensen kiest zonder na te denken, kun je eindigen met een groep die voornamelijk uit mensen met een gemiddelde grootte bestaat. Je mist dan de "uitbijters" (zeer grote of zeer kleine mensen).
• Het Resultaat: Het artikel toont aan dat als je de verkeerde groep kiest, je testresultaten volledig verkeerd kunnen zijn. Je zou kunnen denken dat een machine 90% accuraat is, terwijl het voor de echte wereld eigenlijk maar 77% accuraat is.

Samenvatting

Het artikel is een handleiding voor het bouwen van een virtueel testterrein voor medische apparatuur.

1. Waarom? Echte onderzoeken zijn traag, duur en moeilijk te organiseren.
2. Hoe? We bouwen "Stochastische Digitale Mensen" met behulp van ofwel echte data (foto's) of biologische regels (blauwdrukken).
3. Het Nadeel: We moeten zeer zorgvuldig zijn om ervoor te zorgen dat onze virtuele menigte er precies zo uitziet als de echte wereld. Als we de verkeerde "digitale mensen" kiezen om op te testen, kunnen we het verkeerde antwoord krijgen, en dat kan later gevaarlijk zijn voor echte patiënten.

De auteurs concluderen dat hoewel we de middelen hebben om deze digitale menigten te bouwen, we nog moeten uitzoeken hoe we precies kunnen garanderen dat ze realistisch genoeg zijn om met mensenlevens te vertrouwen.