为每只植入人工耳蜗的耳朵打造数字孪生

人工耳蜗是一种神经假体。外科医生把一根电极阵列滑入内耳中的耳蜗，电极用电脉冲直接刺激听神经纤维，绕过受损的内耳。外部处理器把声音转换成指令；每个电极负责一个频段，因为位于耳蜗深处的神经纤维产生低音感觉，而较浅处的神经纤维产生高音感觉。

效果因人而异，差别极大。许多使用者能很好地听懂言语；而作者指出，另一些人得到的不过是能察觉到有声音，以及对读唇的一些帮助。一个已知因素是电—神经接口的质量：耳朵的形状、电极最终所在的位置、组织的导电方式，以及还有多少神经纤维保持健康。这其中的物理过程天生就很粗糙：最多22个触点要刺激多达约30000根纤维，因此每个电极激发的是一大片且相互重叠的纤维群。

如今，听力师主要依据患者本人的感受来调校每位患者的设置——即所谓的“图谱”（map），而大脑可能需要数周乃至数月才能适应一张新图谱。

用客观数据构建的虚拟耳朵

雷恩大学的Erin Bratu、范德堡大学的Jack Noble，以及来自范德堡大学医学中心、圣路易斯华盛顿大学和南卡罗来纳医科大学的同事，为每位患者的接口构建了一个数字孪生，共分三层：

解剖结构。 临床CT扫描无法显示耳蜗内部，因此团队拟合了一个形状模型，该模型学习自16个尸体耳蜗的高分辨率显微CT扫描，清晰度约高十倍。电极在术后扫描图像上被自动定位，而看不见的神经纤维则被重建为75束。
电学。 一张包括液体、软组织、神经和骨骼在内的三维组织图，使模型能够计算电流如何扩散。研究人员不断调整组织电阻，直到模拟电压与植入体在其空闲电极上记录的电压相吻合；当记录数据有需要时，还会加入瘢痕组织。
神经。 一个神经纤维的生物物理模型，经放大到纤维束尺度后，可预测神经的整体反应。随后调整每束中健康纤维的数量，直到模型再现神经反应随电流增长的方式——这条曲线可由植入体自身记录。

据此，团队为每位患者计算出单一的神经健康评分。

数字孪生预测了什么

研究涵盖了30名植入者。

模型从未训练过的反应。 数字孪生预测另一类神经测量结果时，误差中位数低于50微伏；即使在最差的情况下，整体形状也依然正确。
言语。 神经健康评分与安静环境下的单词识别、以及多人嘈杂交谈背景下的句子识别都高度相关。论文报告的相关系数约为0.75和0.78——不过摘要和结果部分把这两个数值分别对应的测试写反了。无论如何，该评分解释了患者之间言语理解差异的50%至60%。据作者所知，文献中报道的任何单一因素都没有更高的解释力。
重新调校。 在一项有六名资深使用者参与的初步测试中，团队关闭了神经健康状况看起来最差区域内一半的电极——22个中的2到6个。单词识别率平均提高了10个百分点；六人中有五人最终超过了初始得分，没有人明显下降，并且所有人都选择保留新图谱。

从概念验证走向临床试验

数字孪生只能间接验证，因为除了尸检之外，没有任何手段能显示神经的真实状态。模型假定纤维完全同步放电，这很可能低估了健康纤维的数量，而且忽略了时间效应；它需要一次术后CT扫描，伴随相应的X射线剂量；所有植入体都来自同一家制造商。重新调校测试没有对照组，随访也不规律。

最引人注目的是输入数据：只有扫描影像和植入体自身的记录，完全不依赖患者的自述。这可能有助于那些难以描述自己听到了什么的人，比如幼儿。一项以神经健康为指导进行重新调校的前瞻性对照临床试验，目前正在筹备中。