환자 맞춤형 심장의 디지털 트윈 (Digital Twin, DT)은 개인 맞춤형 의료 분야에서 상당한 잠재력을 제공합니다. 그러나 개인의 실시간 데이터에 대한 신속하고 역동적인 적응과 적응 후의 예측 능력은 여전히 핵심적인 과제로 남아 있습니다. 우리는 이 과제를 두 가지 구성 요소 측면에서 검토합니다. 즉, 기계론적 모델 (Mechanistic model)과 데이터 기반 모델 (Data-driven model)이 서로 상충하는 장점과 한계를 보이는 DT 공식화 (DT formulation), 그리고 주로 재구성 목적 함수 (Reconstruction objective)에 의해 구동되어 식별 불가능한 모델 (Un-identifiable models)로 이어지는 DT 최적화 전략입니다. 우리는 세 가지 핵심 동인(Enabler)을 갖춘 하이브리드, 적응형 및 예측형 DT 구축을 위한 AI 프레임워크인 HAPI를 통해 이 두 가지 병목 현상을 해결합니다. 첫째, HAPI는 해석 가능한 기계론적 백본 (Mechanistic backbone)이 관찰된 데이터에 대한 잔차 (Residual)를 모델링하는 신경망 구성 요소 (Neural component)에 의해 보강되는 물리 통합 그레이박스 모델 (Physics-integrated gray-box model)을 구축합니다. 둘째, 정적인 하이브리드 모델에서 가능한 모든 변동을 미리 인코딩하려고 시도하는 대신, HAPI는 예측 목적 함수로 학습된 하이브리드 모델의 기계론적 및 신경망 매개변수 모두에 대해 분할 추론 (Amortized inference)을 실현하는 피드포워드 메타 러너 (Feedforward meta-learners)를 통해 소량의 실시간 데이터에 대한 하이브리드 모델의 신속한 온더플라이 (On-the-fly) 적응을 가능하게 합니다. 마지막으로, 우리는 이러한 적응성이 조건부 생성 모델 (Conditional generative model, 즉 하이브리드 DT)의 구축에 해당하며, 이를 통해 이론적 식별 가능성 (Identifiability)을 부여함으로써 예측 시나리오에서 강력한 성능을 발휘함을 보여줍니다. 우리는 기계론적 반응 역학 (Mechanistic reaction kinetics)과 신경망 그래프 확산 (Neural graph diffusion)을 결합한 하이브리드 모노도메인 모델 (Hybrid monodomain model)을 사용하여 심장 전기생리학 분야에서 HAPI의 개념 증명 (Proof-of-concept)을 입증합니다. 합성 데이터 및 실제 데이터 연구 전반에 걸쳐, 우리는 HAPI의 기계론적-신경망 하이브리드화 (Mechanistic-neural hybridization)와 예측 적응 (Predictive adaptation)이 강력한 예측 및 분포 외 (Out-of-distribution) 능력을 갖춘 식별 가능한 DT를 얻는 데 결정적임을 보여줍니다.