肿瘤学中的数字孪生技术：我们目前的进展与未来的发展方向

《BMJ Oncology》：Digital twins in oncology: where we are and where we hope to go

数字孪生技术在肿瘤学临床决策支持中的应用面临数据噪声、模型不确定性及伦理挑战，需通过多轮数据采集和动态建模实现个性化治疗优化。

　　

高通量数据收集和计算模拟技术领域的快速发展，使得数字孪生（Digital Twin, DT）得以开发，从而为肿瘤学中的临床决策提供支持。1 数字孪生的确切定义取决于其应用场景，但通常包括使用真实世界数据定制的虚拟模拟，以及能够提供关于患者对不同治疗干预措施反应的具体、可操作性见解的方法论。然而，将其应用于癌症治疗时面临着技术和伦理方面的挑战，这些挑战在航空航天、汽车制造等已成功应用数字孪生优化复杂系统的行业中并不存在。目前数字孪生在肿瘤学中的应用案例包括利用模型指导临床方案、开展虚拟临床试验、进行培训以及基于生物标志物预测治疗反应。2 但其在临床决策支持中的使用通常仅限于数字孪生周期的单一迭代阶段，而无法动态地根据肿瘤演变情况为决策提供支持。用于模拟肿瘤生长和预测最佳干预措施的数据往往存在噪声或完整性问题，且在收集过程中必须尽量减少对患者生活质量的负面影响。计算模拟结果必须具有可靠性，并能够以让临床决策者信服的方式量化预测结果的不确定性。在数字孪生能够被用于优化和完全个性化癌症治疗之前，这些挑战以及其他众多限制因素都必须得到解决。

用于表示患者疾病的具体模型取决于癌症类型，但大致可分为两类：机械模型（模拟相关的生理过程）和统计模型（基于既往数据训练）。对于机械模型而言，其数学公式必须能够反映可通过诊断检测获得的变量；即便具备测量这些参数的技术，数据中的噪声和误差仍会引入预测结果的不确定性。癌症治疗中的一个复杂挑战在于单个肿瘤内部存在的环境多样性和进化压力。模型在预测对各种治疗策略的反应时必须考虑这种亚克隆异质性。因此，数据并非简单地与模型输入建立一一对应关系，而是需要将其分解为影响亚克隆肿瘤特性的数值分布。随着患者输入数量的增加，量化预测结果所需进行的并行模拟次数呈指数级增长；因此，模型应尽可能简洁地捕捉所有相关机制，以减少患者特定参数的依赖性。3 统计模型也有其独特的不确定性来源，需要以不同的方式对其进行量化和情境化处理。由于它们的预测结果具有“黑箱”特性且对训练数据中的偏差敏感，因此需要额外确保后续治疗建议适用于特定患者的病情。4 未来，通过深入理解和解释这些人工智能模型的“推理逻辑”，将提升人们对它们预测结果的信心，从而推动它们在数字孪生模型中的更多应用。

数字孪生通过迭代循环将现实世界系统与其虚拟表示联系起来：收集患者数据、运行模拟、实施临床干预、再次收集数据、再次运行模拟，如此循环往复。在实际应用中，数字孪生通常以嵌套循环的形式实现，通过对模拟结果的严格分析来丰富各种干预策略的预测结果，为临床医生提供决策所需的信息。5 内层循环负责模拟患者的肿瘤并生成不同治疗策略的预测结果；该循环会根据外层循环中的验证、确认和不确定性量化要求多次运行。6 外层循环用于评估患者数据中的噪声和不确定性对模拟结果的影响。例如，可以招募一组代表输入数据范围和不确定性的患者数字孪生模型，参与虚拟临床试验以预测各种治疗方案的疗效。最后，将验证指标和其他参数组合的比较分析结果呈现给临床决策者。在治疗过程中，会继续收集患者数据以启动新的数字孪生模拟循环。

除了构建、参数化和解释个性化癌症模型所面临的挑战外，在临床决策工作流程中实施数字孪生还面临其他一般性问题。数字孪生的应用可能需要进行多轮数据收集，而这些过程可能会影响患者的生活质量。为降低这种影响，需要开发侵入性较小的方法来定期获取高质量患者数据，并优化计算基础设施以缩短临床建议的响应时间。随着对癌症进展理解的不断深入和技术发展的加速，数字孪生的应用将更加个性化，其应用范围将从基于生物标志物的干预扩展到整合纵向数据收集并动态处理演变中肿瘤的模型。