Resumen Técnico: LEADS – Aprendizaje de Modelos Híbridos de Electrofisiología mediante el Descubrimiento Agéntico de Estructuras

1. Planteamiento del Problema

La construcción de gemelos digitales de electrofisiología (EP) cardíaca personalizados es crítica para aplicaciones clínicas como la guía de la ablación por catéter, la evaluación del riesgo de muerte súbita y las pruebas de fármacos in silico. Sin embargo, construir modelos precisos es un desafío porque la propagación eléctrica cardíaca es un sistema de reacción-difusión donde tanto el componente de difusión (propagación del frente de onda) como el componente de reacción (cinética iónica local) varían significativamente entre pacientes debido a las propiedades del tejido, la fibrosis y los estados patológicos.

Los enfoques actuales enfrentan una disyuntiva:

• Modelos Híbridos Diseñados por Humanos: Los expertos seleccionan manualmente un modelo de reacción (p. ej., Aliev-Panfilov) y un operador de difusión, y luego ajustan los parámetros. Aunque son interpretables, este proceso requiere mucha mano de obra, un profundo conocimiento especializado y la arquitectura fija suele fallar al intentar transferirse a diferentes pacientes.
• Métodos Basados en LLM No Restringidos: Trabajos recientes como HDTwinGen utilizan Modelos de Lenguaje Extensos (LLMs) para generar código de modelos híbridos arbitrarios. Aunque son prometedores para sistemas dinámicos generales, estos métodos carecen de los sesgos estructurales necesarios para la EP cardíaca. Con frecuencia fallan al producir salidas fisiológicamente plausibles o integraciones de ODE estables porque el espacio de generación de código no está restringido.
• Gemelos Digitales Directos de LLM: El uso de LLMs directamente como el modelo sacrifica la transparencia matemática y la interpretabilidad física requeridas para la confianza clínica.

El problema central es la falta de un método que pueda descubrir automáticamente la estructura del modelo apropiada (no solo ajustar parámetros) para cada paciente, adhiriéndose simultáneamente a los fuertes sesgos estructurales requeridos para simulaciones cardíacas estables.

2. Metodología: El Marco de Trabajo LEADS

Los autores proponen LEADS (Learning Electrophysiology hybrid model through Agentic Discovery of Structure), un marco que formula el conocimiento del dominio de la EP cardíaca como un espacio de acción estructurado y utiliza un agente de LLM para navegarlo.

Arquitectura Central

LEADS opera sobre un sistema de ODE de reacción-difusión definido en una malla cardíaca discreta $G$:
$$\frac{du}{dt} = D(u, G) + R_u(u, v)$$
$$\frac{dv}{dt} = R_v(u, v)$$
Donde $u$ es el potencial transmembrana, $v$ es la variable de recuperación, $D$ gobierna la difusión y $R$ representa la cinética de reacción iónica.

El Bucle Agéntico

El sistema emplea un agente de LLM (específicamente Gemini-2.5-Flash) en un bucle iterativo de Observar-Pensar-Actuar:

1. Espacio de Acción Estructurado: En lugar de generar código arbitrario, el agente selecciona de catálogos curados:
   • Catálogo de Difusión: Contiene arquitecturas neuronales que van desde la agregación simple de medias hasta Redes de Atención de Grafos (GAT) complejas y MLPs de aristas.
   • Catálogo de Reacción: Contiene modelos iónicos basados en la física establecidos (p. ej., Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).
2. Decisiones Desacopladas: En cada paso, el agente toma dos decisiones:
   • Selección de Reacción: Elige un modelo de reacción específico basado en la física del catálogo.
   • Operación de Difusión: Selecciona una de cuatro operaciones:
     • Select (Seleccionar): Elegir una nueva arquitectura del catálogo.
     • Refine (Refinar): Ajustar los hiperparámetros (p. ej., dimensiones ocultas, capas) del módulo de difusión actual.
     • Modify (Modificar): Editar libremente el código subyacente para crear variantes estructurales más allá de las plantillas.
     • Simplify (Simplificar): Reducir la complejidad para mitigar el sobreajuste.
3. Razonamiento y Retroalimentación: El agente observa un archivo de candidatos previos (pérdidas de validación, curvas de entrenamiento), razona sobre problemas de rendimiento (p. ej., sobreajuste, insuficiencia de capacidad) y propone una nueva estructura híbrida.
4. Ajuste de Parámetros: Para cada candidato de modelo propuesto por el agente, se utiliza el descenso de gradiente para ajustar los parámetros aprendibles ($\theta, \phi$) a los datos minimizando los errores de trayectoria. El agente gestiona el descubrimiento estructural; el descenso de gradiente gestiona la optimización de parámetros.

El proceso termina cuando se agota el presupuesto de acciones o se alcanza la convergencia, devolviendo el mejor modelo.

3. Contribuciones Clave

1. Descubrimiento Automatizado de Arquitecturas: Una solución novedosa basada en agentes de LLM para construir gemelos digitales de EP cardíaca personalizados, eliminando la necesidad de diseño manual de arquitecturas por parte de expertos en el dominio.
2. Espacio de Acción Híbrido Estructurado: La introducción de LEADS, que combina el razonamiento de LLM con un catálogo fundamentado en el dominio. Esto codifica los sesgos físicos como bloques de construcción composables, asegurando la eficiencia de búsqueda e interpretabilidad física mientras permite el descubrimiento arquitectónico de código abierto.
3. Validación en Datos Sintéticos y Reales: Demostración de que LEADS supera tanto a los modelos híbridos diseñados por humanos como a los métodos de LLM no restringidos sin requerir conocimiento de oráculo de la dinámica cardíaca subyacente.

4. Resultados Experimentales

Experimentos con Datos Sintéticos

El marco fue probado en trayectorias sintéticas de potencial transmembrana (TMP) generadas a partir de tres modelos de reacción de verdad fundamental (Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).

• Rendimiento: LEADS logró un Error Cuadrático Medio (MSE) promedio superior de 26.7 ($\times 10^{-3}$), superando al Modelo Híbrido diseñado por humanos (37.6) y superando significativamente al HDTwinGen no restringido (416.3), el cual falló en producir la activación cardíaca.
• Identificación de Estructura: A pesar de carecer de conocimiento previo, LEADS identificó correctamente el modelo de reacción de verdad fundamental para los tres conjuntos de datos y optimizó el componente de difusión neuronal para reproducir con precisión los patrones de los frentes de onda del tiempo de activación (AT).

Experimentos con Datos Reales

La validación se realizó con grabaciones reales de electrogramas endocárdicos (EGM) del conjunto de datos de Utah (modelo animal).

• Métricas: Evaluado mediante el Error de Tiempo de Activación (AT) de Prueba.
• Resultados: LEADS logró un error de AT de 5.52, superando al mejor Modelo Híbrido diseñado por humanos (5.64). Mientras que un modelo de Física (con reacción conocida) de tipo oráculo alcanzó 3.42, LEADS se aproximó a este rendimiento de forma autónoma.
• Análisis Cualitativo: Los mapas de AT visuales mostraron que LEADS produjo patrones de activación suaves que se alinean más estrechamente con la verdad fundamental que el modelo híbrido diseñado por humanos, el cual exhibió retrasos pronunciados en el tiempo de activación.

Estudios de Ablación

• Diff-Only (Reacción Fija): Se desempeñó de manera comparable en algunos conjuntos de datos pero se degradó en otros, mostrando que incluso con cinéticas correctas, una difusión expresiva es necesaria.
• React-Only (Difusión Fija): Empeoró el rendimiento significativamente (p. ej., el error RM aumentó de 10.1 a 20.4), indicando que una arquitectura de difusión fija actúa como un cuello de botella en el rendimiento.
• All-Neural (Todo Neuronal): Reemplazar el catálogo de física por un módulo totalmente basado en datos degradó consistentemente el rendimiento, confirmando que los sesgos de reacción basados en la física son indispensables bajo datos de entrenamiento limitados.

5. Significado y Reivindicaciones

El artículo afirma que LEADS logra cerrar la brecha entre la interpretabilidad de los modelos diseñados por humanos y la automatización del descubrimiento basado en LLM. Al restringir al agente de LLM a un espacio de acción estructurado e informado por el dominio, el marco evita la inestabilidad y la implausibilidad fisiológica de la generación de código no restringida, al tiempo que elimina la labor y la rigidez del diseño manual.

Los autores enfatizan que LEADS demuestra que la búsqueda conjunta sobre un catálogo híbrido de física-neuronal es esencial para un modelado de EP cardíaca robusto. El marco logra una precisión competitiva en datos clínicos reales sin requerir conocimiento de oráculo de la dinámica subyacente, lo que sugiere un camino viable hacia gemelos digitales personalizados y escalables. Los autores señalan que las limitaciones actuales incluyen una única geometría de malla cardíaca y un catálogo fijo, con planes futuros para extender esto a entornos de múltiples geometrías y diversos dominios fisiológicos.