← 返回首页

2026-04-06 · Biotech / Health / Digital Twins

TwinBench Health

把 Mantis Biotech 的“人体数字孪生”概念，压缩成一个可用于医疗研究验证的试验设计工作台。

潜力评分 91/100

新闻来源

Mantis Biotech is making 'digital twins' of humans to help solve medicine's data availability problem

Mantis Biotech 正在用多源数据、LLM 路由和物理引擎去生成高保真的人体数字孪生，目标是补足医学研究里稀缺、昂贵、难以共享的数据。这不是又一个健康 App，而是一个很可能改变临床试验、稀有病研究和机器人训练流程的底层能力。

查看原文 ↗

为什么值得做

医疗 AI 最大的瓶颈之一不是模型，而是可用数据。尤其在罕见病、边缘病例和高风险实验里，真实数据既不够也不方便流动。数字孪生如果真能在可信边界内补齐这些空白，最先爆发的会是研究设计、模拟验证和试验前决策工具。

这个 MVP 不去伪装成医院系统，而是做一层‘研究问题 -> 数据缺口 -> 数字孪生实验设计’的产品界面，先帮研究者判断哪里值得模拟、怎么模拟、模拟完看什么指标。

Problem

要解决什么问题？

研究团队知道许多关键问题无法直接在真实人群上反复试验，但他们缺少一个足够快、足够清晰的工具，把想验证的问题翻译成可执行的数字孪生实验蓝图。

目标用户

  • 做临床前研究与试验设计的生物科技团队
  • 需要处理稀有病、缺失样本或边缘病例的医学研究者
  • 希望在真实部署前先做人体行为/风险模拟的医疗机器人与数字医疗团队

Signals

来自新闻的关键信号

  • Mantis 试图用 synthetic datasets + physics engine 解决医学数据稀缺问题，说明价值点在‘数据可得性’，而不是单一模型效果。
  • 文章点名 rare diseases、surgical robots、FDA trials 等高价值场景，表明它有跨研究、临床和设备训练的横向扩展性。
  • 多源数据整合后再生成可预测的人体数字孪生，意味着未来会出现一层新的‘实验编排与决策软件’。
  • 现阶段最容易落地的不是全自动医学结论，而是帮助研究者更快定义模拟问题、变量和验证指标。

MVP

这个原型包含什么

先把研究假设、样本缺口、模拟变量和输出指标结构化，帮助团队在接入真正模型前就完成一次高质量的实验设计决策。

研究假设拆解器

输入疾病、目标人群、想验证的问题，快速拆成可模拟的变量、约束与预期输出。

数据缺口雷达

把现有真实数据与缺失部分可视化，指出哪些部分适合由数字孪生补齐。

实验场景编排器

让团队按场景配置年龄、病史、行为、治疗方式与风险事件，形成一版模拟方案。

结果判读面板

围绕响应率、风险变化、样本覆盖与可解释性输出一页式决策摘要。

Interactive demo

三种最先能打动市场的使用场景

点击不同场景，查看从体验入口到北极星指标的 MVP 路线。

Use case

罕见病试验预演

在真实样本极少时，先定义数字孪生实验，看看哪些治疗变量最值得进下一步。

  • 输入疾病、患者特征与治疗目标
  • 系统指出现有数据不足与可模拟变量
  • 输出一份 trial pre-design brief 给研究团队评估
北极星指标：进入正式研究前节省的方案轮次 / 试验设计时间

Stack

当前技术栈

  • 静态 HTML / CSS / JavaScript 作为概念验证展示层
  • JSON 内容模型承载新闻来源、产品假设与实验场景
  • Python 构建脚本自动生成项目页、首页与 feed.json
  • GitHub Pages 托管 /docs，实现 push 即发布

Risks

主要风险

  • 数字孪生在医疗里天然涉及可信度与伦理边界，不能把模拟结果包装成临床事实。
  • 没有真实数据闭环时，MVP 很容易停留在概念层，需要尽快与研究流程工具整合。
  • 跨生物、临床、工程三类用户时，产品语言和权限体系会迅速变复杂。

Next steps

如果继续迭代，接下来做什么