npj Digit. Med. | 数字孪生与大模型：开启真正个体化医疗的未来

物理学驱动的数字孪生与数据驱动的人工智能（即“大模型”或“Big AI”）的融合，有望推动真正个性化医学的发展。数字孪生能够提供个体化的“健康投影”、准确性与可解释性，而人工智能则带来速度与灵活性，但各自也存在局限。Big AI结合了二者优势，使预测更加快速、可靠和个体化，应用范围涵盖从诊断到药物发现。更重要的是，Big AI为人工智能恢复了机制性洞见，并遵循科学方法。

数字孪生在医学中的兴起

想象一下未来，医生在为患者选择治疗方案或健康生活方式之前，能够先在计算机中模拟其身体。这就是人体数字孪生（DTs）的目标。

生物物理数字孪生——从个体的 DNA 到细胞、组织、器官乃至整个身体——通过整合实时和纵向数据，能够模拟、预测并优化健康结果。这类模型能够提供严格的置信度评估，也就是研究人员所称的不确定性量化（UQ），一种衡量预测可靠性的方法。

数字孪生在医学中的应用已经开始显现，例如在免疫学、癌症研究和心血管疾病中。尤其是在心脏和循环系统中，首次将器官级别的代码结合起来，标志着迈向全尺度人体数字孪生的重要里程碑。随着全球虚拟人体峰会的召开，研究人员对这一领域的兴趣正在迅速增长。

基于物理的模型：精准、可量化，但运算缓慢

物理模型是数字孪生的基石。它们基于物理定律（如流体动力学和化学动力学）来模拟生物系统。当底层生物学和输入数据已知时，它们的结果是高度准确的，尽管仍然是一定程度的近似。物理模型简化了生物复杂性，但其预测结果能够接受科学验证，并可以量化置信区间。其最大优势在于能够利用患者数据，因此预测不是基于群体平均，而是精准且个体化的。

AI模型：灵活、快速，但存在缺陷

人工智能主要指通过机器学习等算法，从大规模数据中学习模式并进行预测或分类。AI能够在数据不完整的情况下，快速给出令人印象深刻的结果，因此在信息缺失时尤为强大。然而，AI的优势伴随着权衡。它更擅长插值而非外推，且可靠的不确定性量化方法尚未成熟。与能够解释“为什么”的物理模型不同，AI通常只能给出结果而缺乏因果解释，因此被称为“黑箱”，在医学等高风险应用中难以获得完全信任。从科学方法的角度看，这种特性也使其缺乏严格性和机制性洞见。

AI的预测能力也取决于训练数据。如果训练数据存在偏差或不完整，其预测结果可能不可靠。例如，如果训练数据过度依赖于某一群体（如西方白人男性），那么在其他人群中应用可能会出现问题。尽管如此，AI已在全球范围内广泛应用于临床辅助决策。

为了实现普适性，AI通常依赖群体数据构建“一刀切”式模型，其预测多是统计意义上的插值，而非基于个体生理特征。然而，生物学的高度非线性使得基于这些假设的模型往往存在风险。此外，由于AI模型的参数数量极为庞大（甚至达到数万亿），这些参数缺乏科学内涵，因而难以进行准确的不确定性量化。这意味着，AI驱动的预测在医学中必须在使用场景下进行严格验证。

Big AI的提出——融合双重优势

在此背景下，Big AI应运而生。这是一种强大的新方法，将基于物理的数字孪生与AI模型融合在同一框架内。Big AI是一种混合模型，将数字孪生的科学严谨性与可解释性，与机器学习的速度和灵活性相结合。

Big AI在医疗中的应用

Big AI已经在多个医疗领域展现出潜力。一个显著的案例是心脏安全性测试：研究人员利用AI学习基于三维心脏模拟的药物作用，并应用于虚拟人群中。类似方法也被用于心血管疾病预测、神经外科和生理建模。Big AI还能够反向促进数字孪生的改进。这些基于计算机的策略已经获得美国FDA和欧洲EMA的认可。

在商业药物发现中，Big AI也有巨大前景。药物研发往往需要十年以上时间、耗费数十亿美元，而将物理建模方法与生成式AI结合，能够让物理模型更灵活，也让AI更可靠。例如，基于AI的预测模型能够加速化合物库的筛选，帮助发现新药分子。随着整个临床前流程逐步实现计算机化建模，未来数字孪生还将通过长期数据采集与预测建模，引导个体维持健康状态，预防疾病发生，减少对医院治疗的依赖。

Big AI的跨领域影响

在医学之外，Big AI的理念也正在被其他学科采纳，例如气候科学、天气预报、量子化学和湍流建模等。这些领域同样受益于既快速又可解释、且扎根于自然规律的模型。通过融合理论与数据驱动学习，这些方法往往比单一途径更强大。

最终，Big AI通过结合基于物理模型的可解释性与生理真实性，以及人工智能模拟复杂生物过程的速度与灵活性，将推动真正个体化、预测性的医学新时代。

整理 | DrugOne团队

参考资料

Coveney, P., Highfield, R., Stahlberg, E. et al. Digital twins and Big AI: the future of truly individualised healthcare. npj Digit. Med. 8, 494 (2025).

https://doi.org/10.1038/s41746-025-01874-x

内容为【DrugOne】公众号原创｜转载请注明来源