はじめに

「手術してみないと分からない」――現代医療がずっと抱えてきたこの不確実性を、根本から覆す技術が デジタルツイン・ペイシェント（Digital Twin Patient） です。CT・MRI・心電図・血液検査・遺伝子情報までを統合し、患者の 生理学的な振る舞いごと 仮想空間に複製する。執刀前夜、医師は「もう一人のあなた」で100通りの手術リハーサルを行う――そんな未来が、もう動き始めています。

「でもデジタルツイン医療って、GE・Philips・Siemensと国家プロジェクトの世界では？」――いえ、Python + OSS（pydicom / SimpleITK / TotalSegmentator / PyVista / SciPy） を組み合わせれば、 DICOM画像から3D臓器モデルを自動生成し、簡易PK/PDで薬物反応をシミュレートする までを手元のPCで体験できます。

本記事では、note記事のテーマを開発者目線で落とし込み、Pythonでデジタルツイン・ペイシェントの最小ひな形を構築する具体的な手順 を解説します。

参考にした解説記事：手術前夜、医師は「もう一人のあなた」を執刀する——デジタルツイン・ペイシェントが命のリスクを消す | AI Robotics Quantum Lab

ゴールは以下のとおりです。

DICOMボリュームを 読み込み・前処理・3D配列化 する
AIモデル（TotalSegmentator）で 臓器を自動セグメンテーション する
セグメントから メッシュ（STL）と3D可視化 を生成する
SciPy ODEで 薬物動態（PK/PD）の個別シミュレーション を行う
規制・倫理・品質管理の現実的な注意点を押さえる

対象読者は、Pythonと簡単な機械学習・科学計算に触れたことがあるエンジニア・データサイエンティストです。臨床知識の前提は最小限でOKです。

1. 全体像 ― 何を作るのか

[DICOM (CT/MRI)] ──► [pydicom / SimpleITKで読込・前処理]
                          │
                          ▼
              [TotalSegmentator (AIセグメンテーション)]
                          │
                          ▼
              [vtk / trimeshでメッシュ化＋PyVista可視化]
                          │
                          ▼
              [患者パラメータ（体重・eGFRなど）]
                          │
                          ▼
              [SciPy ODE: 2-Compartment PK/PDモデル]
                          │
                          ▼
              [Streamlit ダッシュボードで統合表示]

2. 環境構築

2.1 Pythonと仮想環境

mkdir digital-twin-lab && cd digital-twin-lab
python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip

2.2 必要ライブラリ

# 医療画像
pip install pydicom SimpleITK nibabel

# AIセグメンテーション（PyTorchベース）
pip install torch torchvision           # 環境に合わせてCUDA版を
pip install TotalSegmentator            # 全身臓器セグメンテーション

# 3Dメッシュと可視化
pip install vtk pyvista trimesh

# 数値計算・可視化
pip install numpy scipy pandas matplotlib

# UI（オプション）
pip install streamlit

⚠️ TotalSegmentatorはGPU推奨です。CPUでも動きますが、1ボリュームあたり数十分かかることがあります。

2.3 プロジェクト構成

digital-twin-lab/
├── data/
│   ├── dicom/          # 元DICOM
│   └── nifti/          # 変換後NIfTI
├── outputs/
│   ├── seg/            # セグメンテーション結果
│   └── mesh/           # STL
├── src/
│   ├── io_dicom.py
│   ├── segment.py
│   ├── mesh.py
│   ├── pkpd.py
│   └── viewer.py
└── app.py              # Streamlitダッシュボード

2.4 公開DICOMデータの入手

検証用には、The Cancer Imaging Archive (TCIA) などが公開している匿名化済みCT/MRIが便利です。プロジェクト初期は 3D Slicer に同梱の MRHead などからNIfTI形式で出力したものでもOKです。

⚠️ 患者由来データは原則として 倫理審査・同意 を経て扱います。学習・検証では公開データセット＋ライセンスをまず確認してください。

3. DICOMの読み込みと前処理

3.1 シリーズ単位で読み込む

# src/io_dicom.py
from pathlib import Path
import SimpleITK as sitk


def read_dicom_series(dicom_dir: str) -> sitk.Image:
    reader = sitk.ImageSeriesReader()
    series_ids = reader.GetGDCMSeriesIDs(dicom_dir)
    if not series_ids:
        raise RuntimeError(f"No DICOM series under {dicom_dir}")
    files = reader.GetGDCMSeriesFileNames(dicom_dir, series_ids[0])
    reader.SetFileNames(files)
    image = reader.Execute()
    return image


def to_nifti(image: sitk.Image, out_path: str) -> Path:
    out = Path(out_path)
    out.parent.mkdir(parents=True, exist_ok=True)
    sitk.WriteImage(image, str(out))
    return out


def normalize_hu(image: sitk.Image, lower: int = -1000, upper: int = 1000) -> sitk.Image:
    arr = sitk.GetArrayFromImage(image).astype("float32")
    arr = arr.clip(lower, upper)
    arr = (arr - lower) / (upper - lower)  # [0,1]
    out = sitk.GetImageFromArray(arr)
    out.CopyInformation(image)
    return out

3.2 NIfTI化（後段のAIモデルが扱いやすい）

# 例
img = read_dicom_series("data/dicom/case01")
to_nifti(img, "data/nifti/case01.nii.gz")
print("size:", img.GetSize(), "spacing:", img.GetSpacing())

spacing（ボクセルの物理サイズ）と direction を保持したまま処理するのが鉄則です。後で実寸の体積・距離を計算する際に必須になります。

4. AIで臓器を自動セグメンテーション

TotalSegmentator は、CTから100以上の解剖構造（肝臓、腎臓、心臓、血管…）を自動でラベル付けできるOSSモデルです。

4.1 CLIで動かす（最短）

TotalSegmentator -i data/nifti/case01.nii.gz -o outputs/seg/case01

outputs/seg/case01/ に各臓器ごとの NIfTI ラベルマップが書き出されます（liver.nii.gz, heart.nii.gz, ...）。

4.2 PythonからAPIで呼ぶ

# src/segment.py
from pathlib import Path
from totalsegmentator.python_api import totalsegmentator


def segment(input_nifti: str, output_dir: str, fast: bool = True) -> Path:
    out = Path(output_dir)
    out.mkdir(parents=True, exist_ok=True)
    totalsegmentator(input_nifti, str(out), fast=fast)
    return out

segment("data/nifti/case01.nii.gz", "outputs/seg/case01", fast=True)

fast=True は精度を少し落とす代わりに高速。デモ・教育用にはこちらで十分です。

5. セグメンテーションをメッシュ化する

3Dビューアで「執刀リハーサル」感を出すために、ラベルマップを STLメッシュ に変換します。

# src/mesh.py
from pathlib import Path
import numpy as np
import SimpleITK as sitk
import pyvista as pv


def label_to_mesh(label_nifti: str, out_stl: str, smoothing_iters: int = 30) -> Path:
    img = sitk.ReadImage(label_nifti)
    arr = sitk.GetArrayFromImage(img)  # (Z, Y, X)
    spacing = img.GetSpacing()         # (X, Y, Z)
    origin = img.GetOrigin()

    # PyVista用にXYZ順に並べ替え
    grid = pv.ImageData(
        dimensions=np.array(arr.shape[::-1]) + 1,
        spacing=spacing,
        origin=origin,
    )
    grid.cell_data["values"] = arr.flatten(order="F")

    surf = grid.contour([0.5], scalars="values", method="contour")
    surf = surf.smooth(n_iter=smoothing_iters, relaxation_factor=0.1)

    out = Path(out_stl)
    out.parent.mkdir(parents=True, exist_ok=True)
    surf.save(out)
    return out

5.1 心臓と肝臓を可視化

# src/viewer.py
import pyvista as pv


def show_organs(mesh_paths: dict[str, str], screenshot: str | None = None):
    plotter = pv.Plotter(off_screen=screenshot is not None)
    palette = {
        "heart": "red",
        "liver": "saddlebrown",
        "kidney_left": "darkorange",
        "kidney_right": "darkorange",
    }
    for name, path in mesh_paths.items():
        mesh = pv.read(path)
        plotter.add_mesh(mesh, color=palette.get(name, "lightgray"),
                         opacity=0.7, smooth_shading=True, label=name)
    plotter.add_legend()
    if screenshot:
        plotter.screenshot(screenshot)
    else:
        plotter.show()

show_organs({
    "heart": "outputs/mesh/case01/heart.stl",
    "liver": "outputs/mesh/case01/liver.stl",
}, screenshot="outputs/mesh/case01/preview.png")

これで「患者個別の3D臓器ビュー」が完成です。Blender / 3D Slicer に持ち込めば、術前カンファレンスのための表示も作れます。

6. 薬物動態（PK/PD）を個別シミュレーションする

「患者個別の薬の反応」を、教科書的な2-コンパートメントモデル で簡易再現します。

6.1 数式

dC1/dt = -(k10 + k12) * C1 + k21 * C2 + (Dose / Vd if t in dosing window else 0)
dC2/dt = k12 * C1 - k21 * C2

C1：血漿中濃度
C2：末梢組織中濃度
k10：消失（腎・肝排泄）。eGFRや体重で調整
Vd：分布容積。体重に応じて調整

6.2 実装

# src/pkpd.py
from dataclasses import dataclass
import numpy as np
from scipy.integrate import solve_ivp


@dataclass
class PatientParams:
    weight_kg: float = 60.0
    eGFR: float = 90.0           # mL/min/1.73m^2
    age: int = 50


def two_compartment_dose_response(
    params: PatientParams,
    dose_mg: float = 100.0,
    interval_h: float = 8.0,
    n_doses: int = 6,
    sim_hours: float = 72.0,
):
    Vd = 0.6 * params.weight_kg                 # L (粗い近似)
    k10 = 0.10 * (params.eGFR / 90.0)           # eGFR連動
    k12, k21 = 0.05, 0.04

    def dosing_rate(t):
        # 各dose時刻 ±0.1h のあいだだけ短期間で投与
        for i in range(n_doses):
            t0 = i * interval_h
            if t0 <= t < t0 + 0.1:
                return dose_mg / 0.1 / Vd
        return 0.0

    def rhs(t, y):
        C1, C2 = y
        dC1 = -(k10 + k12) * C1 + k21 * C2 + dosing_rate(t)
        dC2 = k12 * C1 - k21 * C2
        return [dC1, dC2]

    sol = solve_ivp(rhs, (0, sim_hours), [0.0, 0.0],
                    max_step=0.05, dense_output=True)

    t = np.linspace(0, sim_hours, 1000)
    C1, C2 = sol.sol(t)
    return t, C1, C2

6.3 個人差を比較する

import matplotlib.pyplot as plt
from src.pkpd import PatientParams, two_compartment_dose_response

cases = [
    ("Healthy 60kg eGFR90", PatientParams(60, 90, 40)),
    ("Elderly 50kg eGFR45", PatientParams(50, 45, 78)),
    ("Athlete 80kg eGFR110", PatientParams(80, 110, 30)),
]

for label, p in cases:
    t, C1, _ = two_compartment_dose_response(p)
    plt.plot(t, C1, label=label)

plt.xlabel("Time [h]")
plt.ylabel("Plasma conc.  [mg/L]")
plt.legend()
plt.grid(True)
plt.title("Personalized PK simulation")
plt.savefig("outputs/pk_compare.png", dpi=150)

「同じ用量・同じ間隔でも、人によって血中濃度の山と谷が大きく違う」ことが見えるはずです。これが 個別化医療の最初の手触り です。

7. Streamlitで「ツインダッシュボード」を作る

# app.py
import streamlit as st
import pyvista as pv
from stpyvista import stpyvista

from src.pkpd import PatientParams, two_compartment_dose_response


st.set_page_config(layout="wide", page_title="Digital Twin Patient")
st.title("Digital Twin Patient – Demo")

col1, col2 = st.columns(2)

with col1:
    st.subheader("Anatomy")
    plotter = pv.Plotter(window_size=[400, 400])
    mesh = pv.read("outputs/mesh/case01/heart.stl")
    plotter.add_mesh(mesh, color="red", opacity=0.7)
    stpyvista(plotter)

with col2:
    st.subheader("Pharmacokinetics")
    weight = st.slider("Weight (kg)", 40, 100, 60)
    egfr = st.slider("eGFR", 30, 120, 90)
    age = st.slider("Age", 20, 90, 50)
    dose = st.slider("Dose (mg)", 50, 500, 100)

    params = PatientParams(weight, egfr, age)
    t, C1, _ = two_compartment_dose_response(params, dose_mg=dose)
    st.line_chart({"Plasma": C1}, x_label="hours", y_label="mg/L")

streamlit run app.py

これで、3D臓器ビュー＋個別パラメータ可変のPKシミュレータ がブラウザで動く、最小デジタルツイン・ダッシュボードが完成します。

8. 流体力学（CFD）連携への発展

血流・心拍動の物理シミュレーションは、本物のデジタルツイン医療の核心です。

SimVascular：血管モデルから血流CFDを行うOSS（Pythonバインディング有）
FEniCS / Firedrake：偏微分方程式の汎用ソルバ。血流・組織変形に応用可
OpenFOAM：商用級CFD。心血管系のチュートリアル多数
lattice Boltzmann (LBM) で軽量に血管内血流を可視化する論文例もあり

最初の一歩として「メッシュ化した血管にPoiseuille近似で流れを乗せる」だけでも、十分に学習効果のある可視化ができます。

9. 規制・倫理・運用上の注意

日本で医療機器ソフトとして使う場合、SaMD（Software as a Medical Device） として薬機法の対象になります（プログラム医療機器）。研究用途と医療用途は厳密に切り分けてください。
患者データは 個人情報保護法・改正法・倫理指針 に従って扱います。匿名加工と再識別リスクの評価が必須。
AIセグメンテーションの結果は 誤りが起こり得る前提 で運用する必要があります。臨床利用では必ず医師レビュー（ヒューマン・イン・ザ・ループ）を残しましょう。
データガバナンス：DICOMの匿名化（patient name / IDなど）、保管暗号化、アクセスログを必ず設計に含める。
「シミュレーション結果＝臨床的真実」ではない、ということを UI上で明示 する設計（disclaimer、信頼度表示）が安全です。

10. 拡張アイデア

マルチモーダル統合：CT＋MRI＋心電図＋ウェアラブル（歩行、心拍）を1つのツインに束ねる
PINN（Physics-Informed Neural Network） で患者個別の弾性・粘性パラメータを推定
強化学習で術前リハーサルにおける「最適切開順」を探索
VR/AR連携：Unity / Unreal で執刀医がツインに「触れる」術前カンファ
連合学習（Federated Learning） で病院間でモデル共有しつつ、生データは外に出さない

まとめ

デジタルツイン・ペイシェントは「巨大医療機器メーカーだけの話」ではなく、OSSとPython で個人開発者がプロトタイプできる領域に下りてきている
本記事のひな形で、DICOM読込 → AI臓器セグメンテーション → メッシュ化＋3D可視化 → 個別PKシミュレーション → Streamlitダッシュボード までの一連を体験できる
本格的にはCFD・PINN・SaMD認証など壁が増えるが、その壁の前段階を 手元で動かして学べる のは大きな強み
「あなたの身体のすべてを、あなたより先に理解している存在」を作る最初の歯車は、エンジニアのノートPCで回せる

まずは公開DICOMを1つ落として、心臓の3Dを描き出すところから始めてください。そこから先、デジタルツイン医療への解像度は驚くほど一気に上がります。