导语

肺移植供体肺在离体灌注过程中，会连续产生生理监测、影像、血液生化以及转录组、蛋白组和代谢组等多模态数据。如何把这些数据真正转化为“这一个肺接下来会怎样”的个体化判断，是移植评估和新疗法验证中的关键难题。Nature Biotechnology发表的一项研究，将物理机制模型与机器学习结合，构建了离体人肺的数字孪生系统。它不仅能预测肺功能和分子变化，还能为每个肺建立一条个体化的“未治疗轨迹”，从而评估治疗是否真正有效。

一、研究设计：离体灌注平台与多模态数据共同“复刻”一只肺

研究团队整合了951个离体人肺的临床评估数据，数据来源于超过1000例离体肺灌注（ex vivo lung perfusion，EVLP）病例。EVLP可以让供体肺在体外维持接近生理状态，并持续记录肺动脉压力、气体交换、液体平衡、影像表现和炎症相关分子信号。与单次检查相比，这个平台更像是在体外观察一个器官的连续生命过程。

在模型层面，研究采用物理机制与数据驱动相结合的混合架构：一方面利用肺循环、气体交换和液体变化等机制约束预测结果；另一方面通过门控循环单元（gated recurrent unit，GRU）处理时间序列，并用极端梯度提升（extreme gradient boosting，XGBoost）整合非线性特征。最终，模型为每个离体肺生成一个动态数字孪生，预测其在接下来灌注过程中的可能变化。

研究的目标并不是只预测一个“能不能移植”的标签，而是同时覆盖肺生理、血液生化、影像表型和组学变化，超过75项参数。这样得到的数字孪生，既能描述肺当前处于什么状态，也能帮助判断它在干预后可能走向何方（图1）。

图1 离体肺灌注产生多模态数据，并经物理模型与机器学习构建肺部数字孪生

二、研究结果：数字孪生覆盖从肺功能到组学的多层级预测

在肺生理层面，动态数字孪生对多项参数的平均偏差约为2%-11%；气体交换指标的平均绝对百分比误差（mean absolute percentage error，MAPE）约为4%-13%，肺水肿相关液体变化的误差约为30ml。对于血液生化指标，动态预测的MAPE约为0.46%-7.2%，说明模型能够较好地跟踪离体灌注中持续变化的肺功能状态。

在分子层面，模型对转录组变化的预测误差约为1%-3%，对时间序列中分子变化方向的分类准确率达到79%～100%。研究还对多种炎症相关蛋白进行了预测，例如白细胞介素10（interleukin-10，IL-10）、白细胞介素1β（interleukin-1β，IL-1β）、白细胞介素6（interleukin-6，IL-6）和白细胞介素8（interleukin-8，IL-8），模型能够给出具有临床解释价值的个体化变化趋势。

影像数据也被纳入数字孪生框架。研究团队先利用卷积神经网络（convolutional neural network，CNN）从胸部影像中提取特征，再通过XGBoost预测影像表型变化。预测结果与肺实变、浸润、误吸和肺炎等表现相关，提示数字孪生并非只是在表格数据上运行，也能够把肺部影像中肉眼可见的变化纳入同一条预测链(图2)。

图2 肺部数字孪生对肺生理、血液生化、组学和影像特征的多模态预测

三、从“群体对照”到“个体反事实”：AI评估阿替普酶治疗效果

数字孪生最有价值的应用之一，是为同一个肺构建“如果不接受治疗，接下来可能怎样”的个体化反事实轨迹。传统疗效评价往往需要额外设置对照器官，但供体肺数量有限、个体差异很大，单纯依靠群体平均值可能无法准确回答某一只肺是否真正获益。

研究以阿替普酶（alteplase）干预为例，将实际接受治疗后的变化，与该肺数字孪生预测出的未治疗基线进行比较，从而同时评估疗效和安全性。对于具备移植条件的肺，治疗后肺动脉压力等关键指标出现改善；而在原本不适合移植的肺中，研究没有观察到同样明确的获益。这说明治疗效果不仅取决于药物本身，也与器官初始状态密切相关。

需要强调的是，这种方法是对临床试验和器官评估的补充，而不是让算法替代医生作出移植或用药决定。数字孪生提供的是更接近个体真实病程的预测基线，使研究人员能够在有限的器官资源下，更精细地识别哪些肺可能获益、哪些肺可能承担更高风险（图3）。

图3 利用肺部数字孪生评估阿替普酶治疗效果与安全性

四、研究总结

这项研究把离体肺灌注、多模态监测、物理机制和机器学习连接起来，构建了面向单个器官的肺部数字孪生。模型能够在肺生理、血液生化、组学和影像多个层面预测后续变化，并进一步用个体化未治疗轨迹评估阿替普酶的实际效果。其核心突破不只是“预测得更准”，而是把AI从静态分类器推进到可随时间更新的器官级模拟工具。

五、研究意义与未来

从临床转化角度看，肺部数字孪生有望帮助移植团队更早识别供体肺的恢复潜力，也有望为离体平台上的药物筛选和剂量优化提供更可靠的个体化参照。未来仍需在更多疾病状态、不同灌注设备和更大规模前瞻性队列中验证模型，并进一步统一传感器、影像和组学数据标准。只有当数字孪生在真实临床流程中经受住外部验证，它才可能从研究工具逐步发展为辅助器官评估和治疗决策的可信系统。

参考文献：Zhou X, Wang B, Wei Y, et al. Digital twins of ex vivo human lungs enable accurate and personalized evaluation of therapeutic efficacy. Nature Biotechnology. 2026.

免责声明：

智慧医疗网转载其他网站内容，出于传递更多信息而非盈利之目的，内容仅供参考。版权归原作者所有，若有侵权，请联系我们删除。

本平台所发布信息的内容和准确性由提供消息的原单位或组织独立承担完全责任!

凡来源注明智慧医疗网的内容为智慧医疗网原创，转载需获授权。