Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure

📄 arXiv: 2606.18154v1 📥 PDF

作者: Ziqi Zhou, Yubo Ye, Sumeet Atul Vadhavka, Linwei Wang, Zhiqiang Tao

分类: cs.AI

发布日期: 2026-06-16

备注: 10 pages, 4 figures

💡 一句话要点

提出LEADS框架以解决个性化心脏电生理数字双胞胎建模问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 心脏电生理 数字双胞胎 混合模型 大型语言模型 个性化医疗 自动化建模 生物医学工程

📋 核心要点

  1. 现有方法依赖专家手动设计混合模型，缺乏跨患者的通用性和稳定性。
  2. 提出LEADS框架，通过结构化动作空间和LLM代理实现混合模型的自动发现与优化。
  3. 在合成数据和真实数据上验证LEADS，结果显示其性能超越传统人类设计模型和其他LLM方法。

📝 摘要（中文）

构建个性化心脏电生理（EP）数字双胞胎需要为每位患者识别合适的模型结构，而不仅仅是参数拟合。传统方法依赖专家手动指定混合物理-神经架构，这需要深厚的领域专业知识且无法跨患者迁移。尽管近期有研究应用大型语言模型（LLMs）生成或作为混合模型，但这些方法缺乏稳定心脏模拟所需的结构先验。因此，我们提出了LEADS框架，将心脏EP领域知识形式化为结构化的动作空间，并利用LLM代理发现混合模型。该代理遵循迭代推理-行动循环选择、组合和优化混合模型，同时使用梯度下降进行参数拟合。LEADS设计的每个候选模型都朝着物理基础、可解释和数值稳定的方向发展，同时允许开放式架构发现。我们在合成数据和真实心脏EP数据上验证了LEADS，结果显示其优于人类设计的混合模型和其他基于LLM的混合建模。

🔬 方法详解

问题定义：本论文旨在解决个性化心脏电生理数字双胞胎建模中的模型结构选择问题。现有方法依赖于专家手动设计混合模型，缺乏通用性和稳定性，难以适应不同患者的需求。

核心思路：论文提出LEADS框架，将心脏电生理领域知识形式化为结构化的动作空间，利用大型语言模型（LLM）代理进行混合模型的自动发现与优化。通过迭代推理和行动循环，代理能够选择、组合和优化模型结构，同时使用梯度下降进行参数拟合。

技术框架：LEADS框架包括以下主要模块：1) 结构化动作空间定义，2) LLM代理的推理与行动循环，3) 模型选择与组合，4) 参数拟合。整体流程通过迭代优化实现模型的自动发现与调整。

关键创新：LEADS的核心创新在于将心脏电生理知识转化为结构化动作空间，使得LLM代理能够在缺乏专家知识的情况下进行有效的模型发现。这一方法与传统依赖专家设计的方式本质上不同，具有更好的通用性和适应性。

关键设计：在LEADS中，关键设计包括动作空间的构建、LLM代理的训练策略、损失函数的选择以及模型组合策略。这些设计确保了生成的模型在物理上是合理的、可解释的，并且在数值上是稳定的。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LEADS在合成数据和真实心脏电生理数据上均表现优异，超越了传统人类设计的混合模型和其他基于LLM的混合建模方法。具体而言，LEADS在模型稳定性和准确性方面均有显著提升，展示了其在心脏电生理领域的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括个性化医疗、心脏病治疗和生物医学工程。通过自动化模型发现，LEADS框架能够为不同患者提供更精准的心脏电生理模拟，提升临床决策的有效性和安全性，未来可能在心脏疾病的诊断和治疗中发挥重要作用。

📄 摘要（原文）

Building personalized cardiac electrophysiology (EP) digital twins requires identifying the appropriate model structure for each patient, not merely fitting parameters. Traditional methods rely on experts to manually prescribe hybrid physics-neural architectures, which requires deep domain expertise and does not transfer across patients. Recent works have applied large language models (LLMs) to generate or act as hybrid models. However, despite their promising generalization capacity, these LLM-based methods lack the structural priors needed for stable cardiac simulations. Hence, we propose LEADS, a framework that formulates cardiac EP domain knowledge as a structured action space and utilizes an LLM agent to discover hybrid models. The agent follows an iterative reasoning-and-action loop to select, combine, and refine hybrid models, whilst gradient descent handles parameter fitting. The proposed LEADS designs every candidate model towards physically grounded, interpretable, and numerically stable, while allowing open-ended architectural discovery. We validate LEADS on synthetic data with three ground-truth reaction models and on real cardiac EP data, demonstrating that it outperforms both human-designed hybrid models and other LLM-based hybrid modeling.