Цифровые двойники в онкологии: как это работает

Цифровой двойник в медицинской практике — это цифровая модель конкретного пациента, органа или опухоли. В нее загружают снимки, результаты анализов, данные биопсии, генетический профиль опухоли, сведения о прошлой терапии и сопутствующих заболеваниях. Модель не ставит диагноз вместо врача. Ее задача — помочь рассчитать вероятные сценарии: как опухоль может расти, какой протокол лечения с большей вероятностью сработает, какие возможны побочные эффекты лечения¹

В медицине цифровые двойники используют там, где решение зависит от большого числа данных: в кардиологии, хирургии, реанимации, разработке лекарств и клинических исследованиях. Одно из самых перспективных направлений — онкология. Даже опухоли одного органа могут по-разному реагировать на химиотерапию. Поэтому врачу важно лечить не «среднего пациента», а составить персональный прогноз и протокол лечения для конкретного человека.

В онкологии цифровые двойники решают несколько практических задач. Первая — прогноз ответа на лечение. В 2025 году в медицинском научном издании npj Digital Medicine описали МРТ-двойники пациенток с трижды негативным раком молочной железы. Модель построили на данных 105 участниц исследования ARTEMIS². Путем анализа 128 вариантов режимов дозирования препаратов модель прогнозировала вероятность достижения полного патоморфологического ответа на химиотерапию. Авторы подчеркивали, что это всего лишь информация для принятия врачебного решения, а не готовая замена клиническому мышлению.

Вторая задача — подбор более щадящего или более интенсивного режима. В исследовании Frontiers in Artificial Intelligence цифровой двойник для глиом высокой степени злокачественности настраивали по МРТ и клиническим данным из научных публикаций. На виртуальной когорте из 100 пациентов модель подбирала схемы лучевой терапии: при той же суммарной дозе медианное время до прогрессирования увеличивалось примерно на шесть дней, а при сопоставимом контроле опухоли расчетная доза могла быть снижена на 16,7%³. Это пример того, как двойник помогает искать баланс между эффективностью и токсичностью назначенных лекарств.

Третье направление — виртуальные клинические испытания. Это значит, что часть проверки новых методов лечения можно сначала провести не на реальных пациентах, а на их цифровых моделях. Например, технология FarrSight-Twin анализирует клинические данные пациента и особенности его опухоли, а затем прогнозирует, как он может ответить на разные виды химиотерапии. По опубликованным данным, модель смогла воспроизвести результаты восьми реальных клинических исследований и предсказывала общую выживаемость при 23 видах солидных опухолей. В будущем такие цифровые двойники могут помогать ученым быстрее и безопаснее оценивать новые лекарства, особенно на ранних этапах исследований⁴.

Есть и другие примеры практического применения цифровых двойников в онкологии. В Cell Metabolism в 2026 году ученые описали цифровые двойники для оценки метаболических потоков у пациентов с глиомой⁵. Модель объединяла изотопные данные, одноклеточное секвенирование и машинное обучение, показывала различия обмена веществ между опухолями и помогала предсказывать ответ на метаболические ингибиторы — вещества, замедляющие или останавливающие биохимические реакции обмена веществ в клетках опухоли.

Будущее цифровых двойников — не в «лечении по кнопке», а в более точном прогнозе и исходе лечения для каждого пациента. Они могут заранее показать врачу несколько вероятных сценариев, помочь не тратить время на заведомо неэффективную схему лечения и лучше объяснить пациенту риски. Главные ограничения остаются прежними: качество данных, проверка на реальных клинических выборках, защита персональной информации и персональная ответственность врача. Цифровой двойник — это сложный расчетный инструмент. Но именно такие инструменты постепенно делают онкологию более персонализированной.

Список литературы:

1. Digital Twins for Cancer—When, How, and Why?, National Cancer Institute, https://www.cancer.gov/about-nci/organization/cbiit/news-events/blog/2025/digital-twins-cancer-not-if-when-how-and-why, дата обращения: 12.05.2026
2. Wu C. et al. MRI-based digital twins to improve treatment response of breast cancer by optimizing neoadjuvant chemotherapy regimens, npj Digital Medicine, 2025, https://www.nature.com/articles/s41746-025-01579-1, дата обращения: 12.05.2026
3. Chaudhuri A. et al. Predictive digital twin for optimizing patient-specific radiotherapy regimens under uncertainty in high-grade gliomas, Frontiers in Artificial Intelligence, 2023, https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2023.1222612/full, дата обращения: 12.05.2026
4. Scientists create cancer patients’ digital twins to predict how well treatments may work, EORTC-NCI-AACR Symposium, 2024, https://event.eortc.org/ena2024/2024/10/25/digital-twin-prediction/, дата обращения: 12.05.2026
5. Digital twins for in vivo metabolic flux estimations in patients with glioma, Cell Metabolism, 2026, https://www.cell.com/cell-metabolism/fulltext/S1550-4131(25)00482-6, дата обращения: 12.05.2026