📢 转载信息
原文作者：Ram Iyer
基于海量数据集训练的大型语言模型（LLM）本有望加速基因组学研究、简化临床文档工作、改善实时诊断，甚至通过生成合成数据来推动实验进展。然而，这些模型在生物医学研究中常常面临瓶颈：除了医疗行业依赖的结构化数据外，模型在处理罕见病和特殊病症等边缘案例时表现挣扎，因为这些领域的可靠且具备代表性的数据极其匮乏。
总部位于纽约的 Mantis Biotech 声称，他们正在研发解决方案以填补这一数据空白。该公司的平台整合了多种碎片化数据源，旨在构建人体的“数字孪生”：即基于物理学、具备预测能力的人体解剖、生理与行为模型。
应用场景与核心技术
Mantis Biotech 计划将这些“数字孪生”用于数据聚合与分析。例如，这些模型可用于测试新的医疗程序、训练手术机器人，以及模拟预测医疗问题或行为模式。Mantis 创始人兼首席执行官 Georgia Witchel 在接受 TechCrunch 采访时解释道，一支运动队可以根据球员近期的表现、训练负荷、饮食及活跃时长，预测该球员出现跟腱损伤的可能性。
为了构建这些孪生模型，Mantis 平台首先会从教科书、动作捕捉摄像机、生物传感器、训练日志和医学影像等多种来源提取数据。随后，它利用基于 LLM 的系统来路由、验证并合成这些数据流，并将所有信息输入物理引擎，生成高保真的数据集渲染结果，进而用于训练预测模型。
“我们能够获取所有分散的数据源，并将它们转化为预测人类表现的模型。因此，任何想要预测人类表现的场景，都是我们技术极佳的应用领域，”Witchel 说道。
解决罕见病数据难题
Witchel 强调，物理引擎层是该平台的关键，因为它通过对生成的合成数据进行接地处理，并对人体解剖结构进行真实的物理建模，从而增强了信息的可用性。
“如果你让我为一个缺失手指的人进行手部姿势估计，这会非常困难，因为目前公开数据集中缺乏这类标注数据。但使用我们的平台则非常容易，我们只需在物理模型中移除目标手指，重新生成模型即可。”
由于 Mantis 的平台可以填补数据源的空白，Witchel 认为其在整个生物医学领域具有广泛潜力。特别是在罕见病研究中，由于患者隐私等伦理和监管限制，获取临床数据往往非常困难。
Mantis 目前已在职业体育领域取得成功，主要客户包括 NBA 球队。该公司近期完成了由 Decibel VC 领投，Y Combinator 等参与的 740 万美元种子轮融资。未来，Mantis 计划继续优化技术并最终面向公众开放，目标瞄准预防性医疗，并积极为制药实验室及 FDA 临床试验研究人员提供患者药物响应的深度洞察。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区