[논문 리뷰] A Revolution of Personalized Healthcare: Enabling Human Digital Twin with Mobile AIGC

Jiayuan Chen, Changyan Yi외 6명|arXiv (Cornell University)|2023. 07. 22.

Artificial Intelligence in Healthcare and Education인용 수 6

한 줄 요약

이 논문은 저지연, 실시간으로 고해상도의 다중 모odal 의료 데이터와 가상 시험장치를 생성함으로써 개인 맞춤형 헬스케어를 혁신하기 위한 모바일 AIGC 기반 인간 디지털 트윈(HDT) 프레임워크를 제안한다. 시스템은 엣지에 배포된 AIGC를 활용해 희귀 질환 데이터를 합성하고, 개인 맞춤형 디지털 트윈을 모델링하며, 치료 반응을 시뮬레이션한다. 실험 결과, 기존의 DRL 방법에 비해 품질과 사용자 QoE 측면에서 뛰어난 성능을 보였다.

ABSTRACT

Mobile Artificial Intelligence-Generated Content (AIGC) technology refers to the adoption of AI algorithms deployed at mobile edge networks to automate the information creation process while fulfilling the requirements of end users. Mobile AIGC has recently attracted phenomenal attentions and can be a key enabling technology for an emerging application, called human digital twin (HDT). HDT empowered by the mobile AIGC is expected to revolutionize the personalized healthcare by generating rare disease data, modeling high-fidelity digital twin, building versatile testbeds, and providing 24/7 customized medical services. To promote the development of this new breed of paradigm, in this article, we propose a system architecture of mobile AIGC-driven HDT and highlight the corresponding design requirements and challenges. Moreover, we illustrate two use cases, i.e., mobile AIGC-driven HDT in customized surgery planning and personalized medication. In addition, we conduct an experimental study to prove the effectiveness of the proposed mobile AIGC-driven HDT solution, which shows a particular application in a virtual physical therapy teaching platform. Finally, we conclude this article by briefly discussing several open issues and future directions.

연구 동기 및 목표

• 희귀 질환을 포함한 개인 맞춤형 헬스케어에서의 데이터 부족 문제를 해결하기 위해 모바일 AIGC를 활용해 고해상도의 합성 의료 데이터를 생성한다.
• 엣지 컴퓨팅을 통해 저지연, 실시간, 광범위한 헬스케어 서비스를 보장하는 모바일 AIGC 기반 HDT용 시스템 아키텍처를 설계한다.
• AIGC를 활용해 복잡한 생리학적 및 촉각 반응을 시뮬레이션하여 개인 맞춤형 치료 계획을 위한 다양한 상호작용이 가능한 가상 시험장치를 제공한다.
• 기존 모델링 기법의 한계(낮은 일반화 능력 또는 높은 가정 의존성)를 극복하기 위해 데이터 기반 및 모델 기반 AIGC 접근 방식을 통합한다.
• 특히 가상 물리 치료 교육 플랫폼을 사례로 실제 응용에서 제안된 프레임워크의 효과성을 평가한다.

제안 방법

• 저지연, 고성능 AIGC 추론을 위한 개인 맞춤형 헬스케어를 지원하는 클라우드, 엣지, 로컬 장치를 통합한 모바일 AIGC 기반 HDT 시스템 아키텍처를 제안한다.
• 동적 환경에서의 의사결정 최적화를 위해 액터-크리틱 아키텍처를 사용하는 강화학습(DRL) 프레임워크와 조건부 확산 모델(CODI)을 결합한다.
• 액터 네트워크가 내린 결정의 가치를 정확히 평가하기 위해 크리틱 네트워크에서 더블 Q-러닝을 활용하여 정책 안정성과 수렴성을 향상시킨다.
• CODI 모델에서 반복적인 다단계 노이즈 제거를 적용하여 샘플링 품질을 향상시키고 불확실성을 감소시켜, 기존 DRL 알고리즘의 단일 단계 매핑에 비해 우수한 성능을 발휘한다.
• 가상 시험장치에서 실제적인 생리학적 및 촉각 반응을 시뮬레이션하기 위해 다중 모달 데이터(예: CT, MR, 초음파)와 촉각 피드백 생성을 통합한다.
• 지속적인 HDT 파라미터 업데이트에서 발생하는 에너지 및 대역폭 문제를 해결하기 위해 모델 압축 및 녹색 컴퓨팅 기법을 활용한다.

실험 결과

연구 질문

• RQ1 모바일 AIGC는 희귀 질환과 소수 인구 집단에 특화된 데이터 부족 문제를 어떻게 해결할 수 있는가?
• RQ2 모바일 헬스케어에서 인간 디지털 트윈 응용을 위한 AIGC의 저지연, 실시간, 확장 가능한 배포를 가능하게 하는 시스템 아키텍처는 무엇인가?
• RQ3 AIGC는 개인의 생리학적 및 심리적 상태를 정확하게 반영하는 고해상도의 다중 모달 가상 트윈을 어떻게 생성할 수 있는가?
• RQ4 조건부 확산 모델링은 불확실성 하에서 개인 맞춤형 치료 계획을 위한 의사결정 최적화에 어떤 역할을 하는가?
• RQ5 지속적으로 업데이트되는 모바일 AIGC 기반 HDT 시스템에서 모델의 정밀도, 정확도, 지속 가능성 간의 균형을 어떻게 맞출 수 있는가?

주요 결과

• 제안된 CODI 접근 방식은 모든 테스트 사용자 수에서 SAC 및 PPO보다 더 높은 총 사용자 QoE를 달성하여 개인 맞춤형 의사결정에서 뛰어난 성능을 입증했다.
• CODI는 PPO보다 빠르게 수렴하고 더 높은 보상 수준에 안정화되었으며, 최종 보상 값에서 SAC를 능가하여 더 나은 최적화 및 강건성을 보였다.
• CODI의 반복적 노이즈 제거 과정은 불확실성과 노이즈를 감소시켜, 기존 DRL 알고리즘의 단일 단계 매핑에 비해 더 높은 품질의 결정(예: 해상도 비율 및 확산 단계)을 제공했다.
• 가상 물리 치료 시험장치에서 모바일 AIGC 기반 HDT 프레임워크는 실제적인 촉각 및 생리학적 피드백을 성공적으로 시뮬레이션하여 임상 교육 응용 분야에서의 타당성을 입증했다.
• 프레임워크는 실제 데이터가 부족한 희귀 질환을 위한 합성 데이터 생성 잠재력을 높게 보여주었으며, 고해상도 디지털 트윈 모델링에 매우 유망한 가능성을 보였다.
• 데이터 사각지대, 다중 모달 데이터 표준화, 에너지 효율성 등의 열린 과제가 남아 있어 향후 피어드 학습, 블록체인, 모델 압축 분야의 연구가 필요하다.