Riepilogo Tecnico: LEADS – Apprendimento di Modelli Ibridi di Elettrofisiologia Cardiaca attraverso la Scoperta Agente-Guidata della Struttura

1. Definizione del Problema

La costruzione di gemelli digitali personalizzati per l'elettrofisiologia cardiaca (EP) è fondamentale per applicazioni cliniche quali la guida dell'ablazione transcatetere, la valutazione del rischio di morte cardiaca improvvisa e il testing di farmaci in silico. Tuttavia, la costruzione di modelli accurati è complessa poiché la propagazione elettrica cardiaca è un sistema di reazione-diffusione in cui sia la componente di diffusione (propagazione del fronte d'onda) che la componente di reazione (cinetica ionica locale) variano significativamente tra i pazienti a causa delle proprietà tissutali, della fibrosi e degli stati patologici.

Gli approcci attuali affrontano un compromesso:

• Modelli Ibridi Progettati da Esperti: Gli esperti selezionano manualmente un modello di reazione (es. Aliev-Panfilov) e un operatore di diffusione, per poi adattare i parametri. Sebbene siano interpretabili, questo processo è laborioso, richiede una profonda competenza nel dominio e l'architettura fissa spesso non riesce a trasferirsi efficacemente su diversi pazienti.
• Metodi Basati su LLM Senza Vincoli: Opere recenti come HDTwinGen utilizzano i Large Language Models (LLM) per generare codice di modelli ibridi arbitrari. Sebbene promettenti per i sistemi dinamici generali, questi metodi mancano dei necessari vincoli strutturali (structural priors) per l'EP cardiaca. Spesso falliscono nel produrre output fisiologicamente plausibili o integrazioni di ODE stabili perché lo spazio di generazione del codice è privo di vincoli.
• Gemelli Digitali Diretti tramite LLM: L'uso diretto degli LLM come modello sacrifica la trasparenza matematica e l'interpretabilità fisica necessarie per la fiducia clinica.

Il problema centrale è la mancanza di un metodo in grado di scoprire automaticamente la struttura del modello appropriata (non solo di adattare i parametri) per ogni paziente, rispettando al contempo i forti vincoli strutturali richiesti per le simulazioni cardiache stabili.

2. Metodologia: Il Framework LEADS

Gli autori propongono LEADS (Learning Electrophysiology hybrid model through Agentic Discovery of Structure), un framework che formula la conoscenza del dominio dell'EP cardiaca come uno spazio di azione strutturato e utilizza un agente LLM per navigarlo.

Architettura Core

LEADS opera su un sistema di ODE di reazione-diffusione definito su una mesh cardiaca discreta $G$:
$$\frac{du}{dt} = D(u, G) + R_u(u, v)$$
$$\frac{dv}{dt} = R_v(u, v)$$
Dove $u$ è il potenziale transmembrana, $v$ è la variabile di recupero, $D$ governa la diffusione e $R$ rappresenta la cinetica di reazione ionica.

Il Ciclo Agente (Agentic Loop)

Il sistema impiega un agente LLM (specificamente Gemini-2.5-Flash) in un ciclo iterativo Osserva-Pensa-Agisci (Observe-Think-Act):

1. Spazio di Azione Strutturato: Invece di generare codice arbitrario, l'agente seleziona da cataloghi curati:
   • Catalogo di Diffusione: Contiene architetture neurali che spaziano dalla semplice aggregazione della media fino a complessi Graph Attention Networks ed Edge MLP.
   • Catalogo di Reazione: Contiene modelli ionici basati sulla fisica già stabiliti (es. Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).
2. Decisioni Decoupled (Disaccoppiate): Ad ogni step, l'agente prende due decisioni:
   • Selezione della Reazione: Sceglie un modello di reazione specifico basato sulla fisica dal catalogo.
   • Operazione di Diffusione: Seleziona una di quattro operazioni:
     • Select (Seleziona): Sceglie una nuova architettura dal catalogo.
     • Refine (Raffina): Regola gli iperparametri (es. dimensioni nascoste, livelli) del modulo di diffusione corrente.
     • Modify (Modifica): Modifica liberamente il codice sottostante per creare varianti strutturali oltre i template.
     • Simplify (Semplifica): Riduce la complessità per mitigare l'overfitting.
3. Ragionamento e Feedback: L'agente osserva un archivio di candidati precedenti (errori di validazione, curve di addestramento), ragiona sui problemi di performance (es. overfitting, insufficienza di capacità) e propone una nuova struttura ibrida.
4. Adattamento dei Parametri: Per ogni modello candidato proposto dall'agente, viene utilizzato il gradiente discendente per adattare i parametri apprendibili ($\theta, \phi$) ai dati minimizzando gli errori di traiettoria. L'agente gestisce la scoperta strutturale; il gradiente discendente gestisce l'ottimizzazione dei parametri.

Il processo termina quando il budget di azioni è esaurito o viene raggiunta la convergenza, restituendo il modello con le migliori prestazioni.

3. Contributi Chiave

1. Scoperta Automatica dell'Architettura: Una nuova soluzione basata su agente LLM per la costruzione di gemelli digitali di EP cardiaca personalizzati, eliminando la necessità di progettazione manuale dell'architettura da parte di esperti del dominio.
2. Spazio di Azione Ibrido Strutturato: L'introduzione di LEADS, che combina il ragionamento LLM con un catalogo fondato sul dominio. Questo codifica i vincoli fisici come blocchi composibili, garantendo efficienza di ricerca e interpretabilità fisica, pur permettendo una scoperta architettonica aperta.
3. Validazione su Dati Sintetici e Reali: Dimostrazione che LEADS supera sia i modelli ibridi progettati da umani sia i metodi basati su LLM senza vincoli, senza richiedere la conoscenza "oracle" delle dinamiche cardiache sottostanti.

4. Risultati Sperimentali

Esperimenti su Dati Sintetici

Il framework è stato testato su traiettorie sintetiche del potenziale transmembrana (TMP) generate da tre modelli di reazione ground-truth (Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).

• Performance: LEADS ha raggiunto un errore medio quadratico (MSE) superiore di 26.7 ($\times 10^{-3}$), superando il Modello Ibrido progettato da umani (37.6) e superando significativamente l'HDTwinGen non vincolato (416.3), che non è riuscito a produrre l'attivazione cardiaca.
• Identificazione della Struttura: Nonostante la mancanza di conoscenze pregresse, LEADS ha identificato correttamente il modello di reazione ground-truth per tutti e tre i dataset e ha ottimizzato il componente di diffusione neurale per riprodurre accuratamente i pattern del fronte d'onda del tempo di attivazione (AT).

Esperimenti su Dati Reali

La validazione è stata eseguita su registrazioni reali di elettrogrammi endocardici (EGM) dal dataset Utah (modello animale).

• Metriche: Valutato tramite l'errore del Tempo di Attivazione (AT) di test.
• Risultati: LEADS ha ottenuto un errore AT di 5.52, superando il miglior Modello Ibrido progettato da umani (5.64). Sebbene un modello Oracle basato sulla Fisica (con reazione nota) abbia raggiunto 3.42, LEADS si è avvicinato autonomamente a tale performance.
• Analisi Qualitativa: Le mappe AT visive hanno mostrato che LEADS ha prodotto pattern di attivazione fluidi, più vicini al ground truth rispetto al modello ibrido progettato da umani, che presentava marcati ritardi nel tempo di attivazione.

Studi di Ablazione

• Diff-Only (Reazione Fissa): Ha ottenuto prestazioni comparabili su alcuni dataset ma è peggiorato su altri, dimostrando che anche con la cinetica corretta, una diffusione espressiva è necessaria.
• React-Only (Diffusione Fissa): Ha peggiorato significativamente le performance (es. l'errore RM è aumentato da 10.1 a 20.4), indicando che un'architettura di diffusione fissa crea un collo di bottiglia nelle performance.
• All-Neural (Tutto-Neurale): Sostituire il catalogo fisico con un modulo completamente guidato dai dati ha costantemente degradato le performance, confermando che i vincoli di reazione basati sulla fisica sono indispensabili in condizioni di dati limitati.

5. Significato e Rivendicazioni

L'articolo sostiene che LEADS riesce a colmare il divario tra l'interpretabilità dei modelli progettati da umani e l'automazione della scoperta basata su LLM. Vincolando l'agente LLM a uno spazio di azione strutturato e informato dal dominio, il framework evita l'instabilità e l'implausibilità fisiologica della generazione di codice non vincolata, eliminando al contempo il lavoro e la rigidità della progettazione manuale.

Gli autori sottolineano che LEADS dimostra che la ricerca congiunta su un catalogo ibrido fisica-neurale è essenziale per una modellazione robusta dell'EP cardiaca. Il framework raggiunge un'accuratezza competitiva su dati clinici reali senza richiedere la conoscenza oracle delle dinamiche sottostanti, suggerando una via percorribile verso gemelli digitali scalabili e personalizzati. Gli autori notano che le attuali limitazioni includono una singola geometria di mesh cardiaca e un catalogo fisso, con lavori futuri pianificati per estendere il metodo a setting con geometrie multiple e diversi domini fisiologici.