مبتنی بر مدل های مولد چند وجهی برای پیش بینی شخصی سازی شده سیر سرطان های نادر

سرطان های نادر (Rare Cancers)، با وجود شیوع پایین، بار بیماری زایی قابل توجهی را به بیماران تحمیل می کنند و اغلب به دلیل کمبود داده و عدم درک کافی از مکانیسم های مولکولی، با چالش های تشخیصی و درمانی جدی مواجه هستند. پیش بینی دقیق سیر بیماری و پاسخ به درمان های شخصی سازی شده در این زیرگروه ها حیاتی است. این مقاله، یک چارچوب نوآورانه مبتنی بر Digital Bio-Twin (DBT) را معرفی می کند که از ترکیب مدل های مولد چندوجهی (Multimodal Generative Models)، شامل مدل های انتشار (Diffusion Models)، ترانسفورمرها (Transformers) و مدل های زبان بزرگ بیولوژیکی (Bio-LLMs)، برای شبیه سازی دینامیک پیشرفت سرطان نادر در سطح فردی استفاده می کند. DBT پیشنهادی ما قادر است داده های بالینی، ژنومیک، تصویربرداری و بافتی را به صورت یکپارچه جذب کرده و مسیرهای احتمالی پیشرفت بیماری و اثربخشی درمان های محتمل را در یک محیط مجازی پیش بینی نماید. ما فرمول بندی ریاضی دقیق و یکپارچه سازی زمانی این مدل ها را ارائه می دهیم و کارایی چارچوب را از طریق سناریوهای شبیه سازی شده برای یک نوع سرطان نادر (مثلا سارکوم های بافت نرم) ارزیابی می کنیم. نتایج اولیه نشان می دهد که DBT می تواند دقت پیش بینی پیش آگهی را نسبت به روش های سنتی تا $۱۵%$ بهبود بخشد و پنجره های فرصت برای مداخلات درمانی زودرس را مشخص سازد.

کلیدواژه ها:

سرطان نادر ، دوقلوی دیجیتال زیستی ، مدل های مولد ، یادگیری عمیق ، پزشکی شخصی سازی شده ، مدل های انتشار ، دینامیک زمانی.