纽约初创公司Mantis Biotech利用大语言模型与物理引擎，整合多源异构数据（如影像、传感器、训练日志等），生成高保真“人体数字孪生”合成数据，以弥补罕见病等边缘场景数据稀缺问题。该技术可支持医疗设备测试、手术机器人训练及健康风险预测（如NFL球员跟腱损伤预判），核心在于物理引擎确保合成数据符合真实解剖规律，提升可靠性。其目标是将复杂人类行为与生理数据转化为可预测模型，广泛应用于医疗与运动科
由海量数据训练而成的大语言模型，有望加速基因组学研究、简化临床文档撰写、提升实时诊断能力、辅助临床决策、加快药物研发进程，甚至生成合成数据以推动实验进展。
然而，其在生物医学研究中 transformative（变革性）的潜力，往往受限于一个关键瓶颈：除医疗领域所依赖的结构化数据外，这些模型在罕见病及特殊病症等边缘案例中表现不佳——这类场景下，可靠且具代表性的数据极为稀缺。
位于纽约的初创公司 Mantis Biotech（螳螂生物科技）宣称，其正开发一种解决方案，用以填补这一数据可及性缺口。该公司平台整合多种异构数据源，生成可用于构建所谓“人体数字孪生”（digital twins）的合成数据集——即基于物理原理、具备预测能力的人体解剖、生理与行为建模系统。
Mantis 正将这些数字孪生应用于数据聚合与分析场景。这些数字孪生可用于研究和测试新型医疗技术、训练手术机器人，以及模拟与预测各类健康问题乃至行为模式。例如，该公司创始人兼首席执行官 Georgia Witchel 向 TechCrunch 近期采访中表示，一支体育团队可基于某位NFL球员近期表现、训练负荷、饮食习惯及其活跃时长等信息，预测其罹患跟腱损伤的可能性。
为构建这些数字孪生，Mantis 平台首先从多类数据源（如教科书、动作捕捉摄像头、生物传感器、训练日志及医学影像）采集原始数据；随后，依托大语言模型（LLM）驱动的系统对各数据流进行路由、验证与融合，并将全部信息输入物理引擎，生成高保真度的数据可视化结果，进而用于训练预测模型。
“我们能够整合所有这些异构数据源，并将其转化为可预测人类表现的模型。因此，任何需要预测人类行为表现的场景，都是我们技术的理想应用方向。” Witchel 表示。
Witchel 向 TechCrunch 强调，其中的关键环节在于物理引擎层——它能通过将生成的合成数据与真实解剖物理规律相锚定，从而增强现有信息的可靠性与真实性。
来源：Ram Iyer