用于疾病建模的数字孪生生成器
机器学习
2024-05-03 v1 机器学习
摘要
患者的数字孪生是一个描述其健康状况随时间演化的计算模型。数字孪生通过实现个体层面的人类健康计算机模拟，有望彻底改变医学，这可用于开展更高效的临床试验或推荐个性化治疗方案。由于人类生物学极其复杂，利用历史患者纵向健康记录的大型数据集来生成患者数字孪生的机器学习方法，比潜在的机制模型更具可行性。在本文中，我们描述了一种神经网络架构，该架构能够学习临床轨迹的条件生成模型，我们称之为数字孪生生成器，可以为个体患者创建数字孪生。我们表明，只需更改训练集并调整超参数，即可训练相同的神经网络架构，为 13 种不同适应症的患者生成准确的数字孪生。通过引入一种通用架构，我们旨在释放将机器学习方法扩展到更大数据集和更多适应症的能力，从而为世界上任何患者创建数字孪生。
引用
@article{arxiv.2405.01488,
title = {Digital Twin Generators for Disease Modeling},
author = {Nameyeh Alam and Jake Basilico and Daniele Bertolini and Satish Casie Chetty and Heather D'Angelo and Ryan Douglas and Charles K. Fisher and Franklin Fuller and Melissa Gomes and Rishabh Gupta and Alex Lang and Anton Loukianov and Rachel Mak-McCully and Cary Murray and Hanalei Pham and Susanna Qiao and Elena Ryapolova-Webb and Aaron Smith and Dimitri Theoharatos and Anil Tolwani and Eric W. Tramel and Anna Vidovszky and Judy Viduya and Jonathan R. Walsh},
journal= {arXiv preprint arXiv:2405.01488},
year = {2024}
}