The stochastic digital human is now enrolling for in silico imaging trials -- Methods and tools for generating digital cohorts
本文综述了用于生成随机数字人体模型以支持计算机模拟成像试验的最新方法与工具，涵盖模型分类、健康与疾病状态下的生成技术，以及为最小化研究偏差而在数字队列采样中所涉及的权衡。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你是一名医生或医疗设备制造商。你拥有一台新的 X 光机或一种新的身体扫描方式，在将其出售给医院之前，你需要证明其有效性。通常，你必须进行一项临床试验。这意味着你需要找到数百名真实的人，对他们进行扫描，并观察该机器是否能正确发现疾病。
本文认为，这一过程既缓慢又昂贵，有时甚至对参与者存在风险。相反，作者提出了一种这种试验的“电子游戏”版本。他们希望构建一个充满数字人的虚拟世界，以此来测试这些机器。
以下是他们观点的分解，使用了简单的类比：
1. 目标：“虚拟体育场”
将真实的临床试验想象成一场大型体育锦标赛。你需要真正的运动员（患者）来参与比赛。但是，找到合适的选手很难；有些人可能会受伤，有些人可能会退出，而且你可能没有足够来自特定背景（如非常高的人或患有某种罕见疾病的人）的选手。
作者希望建立一个虚拟体育场（称为计算机模拟试验）。在这个体育场里，“运动员”是随机数字人。
- **“随机”**是一个 fancy 词汇，意为“随机”。这意味着这些数字人并非完全相同的克隆体。它们是在尺寸、形状和组织密度等方面具有随机变异的，就像真实的人一样。
- 目标是创建数千名这样的数字人群，以便你可以在一个庞大且多样化的群体上测试你的医疗设备，而无需让任何真实的人进入扫描仪。
2. 角色阵容：我们如何构建它们？
本文解释了构建这些数字人的不同方法，类似于你在电子游戏中构建角色的方式。
A. “照片级真实”化身（个体模型）
- 个性化模型：想象将某个特定人的 MRI 扫描转化为 3D 数字孪生体。这对于为那一个人规划手术非常有用，但对于在整个人群上测试机器来说却没什么用，因为你首先需要扫描数百万名真实的人。
- 家庭模型：想象一个基于真实扫描的小型数字人“家庭”（爸爸、妈妈和两个孩子）。这更好一些，但仍然太小，无法代表整个世界。
B. “生成器”（人群模型）
要获得庞大的人群，你需要一台能够从头创造人的机器。本文讨论了两种主要方法：
- “模具”法（基于图像）：你取一堆真实的医学图像（如数千张 X 光片），利用数学方法拉伸、缩小并混合它们以生成新的图像。
- 潜在问题：如果你的真实 X 光片模糊或有噪点，你的数字人就会继承这些缺陷。这就像试图用一张墨迹模糊的食谱来烤出一个完美的蛋糕。
- “蓝图”法（基于知识）：你不是复制真实照片，而是根据生物学编写一套规则（蓝图）。你告诉计算机：“制造一个 50% 为脂肪、50% 为腺体组织的乳房，血管像树枝一样分叉。”
- 优势：你可以以此方式生成数百万个独特的个体，包括那些可能不存在于你的照片数据库中的罕见类型。
- 潜在问题：如果你的规则有误，你可能会创建一个肝脏由海绵而非组织构成的数字人。
3. 添加“反派”（疾病建模）
医学试验不仅仅是关于健康的人；它是关于发现患病的人。你如何将肿瘤放入数字人体内？
- “贴纸”法（基于图像）：你取一张真实的肿瘤图片，将其粘贴到数字身体上。
- 问题：它看起来有点假，就像贴在画上的贴纸。它不会与周围的身体组织产生互动。
- “生长”法（基于知识）：你编程让肿瘤根据生物学规则“生长”。如果周围组织坚硬，肿瘤就会以某种方式生长；如果组织柔软，它就会以不同的方式生长。
- 优势：这创建了一个更加逼真的模拟，反映了疾病实际发生的行为。
4. “照片编辑器”技巧（增强）
有时，你没有足够的数字人。因此，你会拿现有的那些进行“编辑”。
- 你可以旋转它们，改变亮度，或在图像上添加“静电”（噪点），就像在照片应用程序中使用滤镜一样。
- 警告：作者警告说，如果你编辑过多，可能会创造出一些不可能存在的东西。例如，如果你不小心让骨头看起来比皮肤还软，你的测试结果就会是一团糟。在试图增加数据时，你必须小心不要违背物理定律。
5. 最重要的教训：不要欺骗样本
这是本文最大的警告。想象你正在测试一双新鞋。
- 如果你只在跑步者（特定群体）身上测试这双鞋，你可能会认为这双鞋很棒。
- 但如果你实际上将其卖给所有人（包括走路、跳舞或患有扁平足的人），这双鞋可能会失败。
在数字世界中，很容易无意中挑选出一组“有偏见”的数字人。
- 陷阱：如果你不加思考地随机挑选数字人，你可能会得到一个主要由平均体型的人组成的群体。你可能会错过“异常值”（非常大或非常小的人）。
- 结果：本文表明，如果你挑选了错误的群体，你的测试结果可能会完全错误。你可能会认为某台机器的准确率为 90%，而实际上它在现实世界中的准确率仅为 77%。
总结
本文是一份关于为医疗设备构建虚拟测试场的指南。
- 为什么？ 真实试验缓慢、昂贵且难以组织。
- 怎么做？ 我们使用真实数据（照片）或生物学规则（蓝图）来构建“随机数字人”。
- 潜在问题：我们必须非常小心，确保我们的虚拟人群看起来与现实世界完全一致。如果我们挑选了错误的“数字人”进行测试，可能会得到错误的结果，这将来可能会对真实患者造成危险。
作者得出结论，虽然我们拥有构建这些数字人群的工具，但我们仍需弄清楚如何确保它们足够逼真，足以让人们放心地将生命托付给它们。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。