A Comprehensive Survey on Surgical Digital Twin

📄 arXiv: 2512.00019v1 📥 PDF

作者: Afsah Sharaf Khan, Falong Fan, Doohwan DH Kim, Abdurrahman Alshareef, Dong Chen, Justin Kim, Ernest Carter, Bo Liu, Jerzy W. Rozenblit, Bernard Zeigler

分类: cs.RO, cs.AI, cs.CV

发布日期: 2025-10-28

💡 一句话要点

全面综述手术数字孪生技术，旨在弥合实验室原型与临床应用之间的差距。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 手术数字孪生 医学图像处理 实时仿真 AR/VR 机器人手术 人工智能 临床应用

📋 核心要点

  1. 现有手术数字孪生技术面临异构数据融合、模型保真度与计算效率平衡等挑战，阻碍了其临床应用。
  2. 本文提出对手术数字孪生进行全面综述，构建了按目的、模型保真度和数据源的分类体系，为SDT设计提供指导。
  3. 该研究总结了SDT在配准、仿真、AR/VR指导等方面的最新进展，并指出了验证、安全和数据治理等方面的开放问题。

📝 摘要（中文）

随着多模态手术数据和实时计算能力的快速发展，手术数字孪生(SDT)作为虚拟对应物应运而生，它能够反映、预测并为术前、术中和术后护理决策提供信息。尽管展示了良好的前景，但SDT仍面临诸多挑战：在严格的延迟预算下融合异构成像、运动学和生理数据；平衡模型保真度与计算效率；确保鲁棒性、可解释性和校准的不确定性；以及在临床环境中实现互操作性、隐私和法规遵从性。本综述对SDT进行了关键性的结构化回顾。我们阐明了术语和范围，提出了按目的、模型保真度和数据源的分类法，并综合了在可变形配准和跟踪、实时仿真和协同仿真、AR/VR指导、边缘-云编排以及用于场景理解和预测的AI方面的最新成果。我们将非机器人孪生与用于共享控制和自主性的机器人环路架构进行了对比，并确定了验证和基准测试、安全保证和人为因素、生命周期“数字线程”集成以及可扩展数据治理方面的开放问题。最后，我们提出了一个研究议程，以实现可信的、符合标准的SDT，从而提供可衡量的临床益处。通过统一词汇、组织能力和突出差距，这项工作旨在指导SDT的设计和部署，并促进从实验室原型到常规手术护理的转化。

🔬 方法详解

问题定义：手术数字孪生(SDT)旨在通过虚拟模型模拟真实手术过程，从而辅助术前规划、术中导航和术后评估。然而，现有SDT技术面临诸多挑战，包括：1) 如何高效融合来自不同模态（如图像、运动学、生理数据）的异构数据；2) 如何在保证模型精度的同时，满足实时计算的需求；3) 如何确保SDT的鲁棒性、可解释性和不确定性校准；4) 如何在临床环境中实现SDT的互操作性、隐私保护和法规遵从性。这些问题阻碍了SDT从实验室原型向临床应用的转化。

核心思路：本文的核心思路是对现有SDT技术进行系统性的梳理和分析，构建一个全面的分类体系，并识别当前研究的瓶颈和未来的发展方向。通过统一术语、组织能力和突出差距，为SDT的设计和部署提供指导，从而加速其临床转化。

技术框架：本文的综述框架主要包括以下几个方面：1) SDT的定义和范围界定；2) 基于目的、模型保真度和数据源的SDT分类体系；3) 对SDT关键技术（如可变形配准、实时仿真、AR/VR指导、边缘-云编排、AI场景理解）的综述；4) 对非机器人孪生和机器人环路架构的对比分析；5) 对SDT验证、安全、数据治理等开放问题的讨论；6) 对未来SDT研究方向的展望。

关键创新：本文的创新之处在于：1) 提出了一个全面的SDT分类体系，有助于研究人员更好地理解和比较不同的SDT方法；2) 系统地总结了SDT的关键技术和开放问题，为未来的研究提供了清晰的路线图；3) 强调了SDT临床转化的重要性，并提出了相应的研究议程。

关键设计：本文作为一篇综述文章，其关键设计在于对现有文献的组织和分析。作者通过查阅大量的相关论文，并对其进行分类、比较和总结，从而构建了一个全面的SDT知识体系。此外，作者还对SDT的未来发展方向进行了展望，为研究人员提供了有价值的参考。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该综述总结了可变形配准、实时仿真、AR/VR指导等关键技术的最新进展，并对比了非机器人孪生与机器人环路架构的优缺点。文章还强调了SDT在验证、安全和数据治理方面面临的挑战，并提出了未来研究方向，为SDT的临床转化提供了重要参考。

🎯 应用场景

手术数字孪生技术具有广泛的应用前景，包括术前规划与模拟、术中导航与引导、术后康复评估与个性化治疗。通过构建患者特异性的虚拟模型，医生可以提前进行手术预演，优化手术方案，提高手术精度和安全性。此外，SDT还可以用于远程手术指导和培训，促进医疗资源的均衡分配。

📄 摘要（原文）

With the accelerating availability of multimodal surgical data and real-time computation, Surgical Digital Twins (SDTs) have emerged as virtual counterparts that mirror, predict, and inform decisions across pre-, intra-, and postoperative care. Despite promising demonstrations, SDTs face persistent challenges: fusing heterogeneous imaging, kinematics, and physiology under strict latency budgets; balancing model fidelity with computational efficiency; ensuring robustness, interpretability, and calibrated uncertainty; and achieving interoperability, privacy, and regulatory compliance in clinical environments. This survey offers a critical, structured review of SDTs. We clarify terminology and scope, propose a taxonomy by purpose, model fidelity, and data sources, and synthesize state-of-the-art achievements in deformable registration and tracking, real-time simulation and co-simulation, AR/VR guidance, edge-cloud orchestration, and AI for scene understanding and prediction. We contrast non-robotic twins with robot-in-the-loop architectures for shared control and autonomy, and identify open problems in validation and benchmarking, safety assurance and human factors, lifecycle "digital thread" integration, and scalable data governance. We conclude with a research agenda toward trustworthy, standards-aligned SDTs that deliver measurable clinical benefit. By unifying vocabulary, organizing capabilities, and highlighting gaps, this work aims to guide SDT design and deployment and catalyze translation from laboratory prototypes to routine surgical care.