技術要約：LEADS – エージェントによる構造探索を通じた学習型電気生理学ハイブリッドモデル

1. 問題提起

パーソナライズされた心臓電気生理学（EP）デジタルツインの構築は、カテーテルアブレーションのガイダンス、突然死のリスク評価、in silico 創薬試験などの臨床応用において極めて重要である。しかし、正確なモデルの構築は困難を極める。なぜなら、心臓の電気伝播は反応拡散系であり、拡散成分（波面の広がり）と反応成分（局所的なイオンキネティクス）の両方が、組織特性、線維化、疾患状態などの理由により患者ごとに大きく異なるためである。

現在のアプローチは、以下のトレードオフに直面している：

• 人間が設計したハイブリッドモデル： 専門家が反応モデル（例：Aliev-Panfilov）と拡散演算子を手動で選択し、パラメータを適合させる。解釈性は高いが、このプロセスは多大な労力を要し、深いドメイン知識が必要であり、固定されたアーキテクチャは異なる患者への転用が困難である。
• 制約のないLLMベースの手法： HDTwinGenのような最近の研究は、大規模言語モデル（LLM）を用いて任意のハイブリッドモデルのコードを生成する。一般的な動的システムには有望であるが、これらの手法は心臓EPに必要な構造的事前知識を欠いている。コード生成空間が制約されていないため、生理学的に妥当な出力を生成できなかったり、ODE（常微分方程式）の積分が不安定になったりすることが頻繁にある。
• 直接的なLLMデジタルツイン： LLMを直接モデルとして使用することは、臨床的な信頼に不可欠な数学的透明性と物理的解釈性を犠牲にする。

核心となる問題は、安定した心臓シミュレーションに必要な強い構造的事前知識を遵守しながら、各患者に対して適切なモデル構造（単なるパラメータ適合ではなく）を自動的に発見できる手法が存在しないことである。

2. 手法：LEADSフレームワーク

著者らは、心臓EPのドメイン知識を構造化されたアクション空間として定式化し、LLMエージェントを用いてそれをナビゲートするフレームワークであるLEADS（Learning Electrophysiology hybrid model through Agentic Discovery of Structure）を提案する。

コアアーキテクチャ

LEADSは、離散的な心臓メッシュ $G$ 上で定義された反応拡散ODEシステムに基づいている：
$$\frac{du}{dt} = D(u, G) + R_u(u, v)$$
$$\frac{dv}{dt} = R_v(u, v)$$
ここで、$u$ は膜電位、$v$ は回復変数、$D$ は拡散を制御し、$R$ はイオン反応キネティクスを表す。

エージェント・ループ

システムは、反復的な**Observe-Think-Act（観察・思考・実行）**ループにおいて、LLMエージェント（具体的にはGemini-2.5-Flash）を採用している：

1. 構造化されたアクション空間： 任意のコードを生成するのではなく、エージェントは精査されたカタログから選択を行う：
   • 拡散カタログ： 単純な平均集約から複雑なグラフ・アテンション・ネットワーク（GAT）やエッジMLPに至るまでのニューラルアーキテクチャを含む。
   • 反応カタログ： 確立された物理ベースのイオンモデル（例：Aliev-Panfilov、Rogers-McCulloch、Mitchell-Schaeffer）を含む。
2. デカップルされた意思決定： 各ステップにおいて、エージェントは2つの決定を行う：
   • 反応の選択： カタログから特定の物理ベースの反応モデルを選択する。
   • 拡散操作： 以下の4つの操作のいずれかを選択する：
     • Select（選択）： カタログから新しいアーキテクチャを選択する。
     • Refine（洗練）： 現在の拡散モジュールのハイパーパラメータ（例：隠れ層の次元数、レイヤー数）を調整する。
     • Modify（修正）： テンプレートを超えた構造的バリアントを作成するために、基礎となるコードを自由に編集する。
     • Simplify（簡略化）： 過学習を抑制するために複雑さを軽減する。
3. 推論とフィードバック： エージェントは、過去の候補のアーカイブ（検証損失、学習曲線）を観察し、パフォーマンスの問題（例：過学習、容量不足）について推論し、新しいハイブリッド構造を提案する。
4. パラメータ適合： エージェントが提案するすべての候補モデルに対して、軌跡誤差を最小化するように勾配降下法を用いて学習可能パラメータ（$\theta, \phi$）を適合させる。エージェントは構造の発見を担い、勾配降下法はパラメータの最適化を担う。

プロセスは、アクション予算が尽きるか、収束に達したときに終了し、最も優れたパフォーマンスを示すモデルを返す。

3. 主な貢献

1. 自動化されたアーキテクチャ探索： パーソナライズされた心臓EPデジタルツインを構築するための、新しいLLMエージェントベースのソリューション。これにより、ドメインエキスパートによる手動のアーキテクチャ設計を不要にする。
2. 構造化されたハイブリッド・アクション空間： LLMの推論とドメインに基づいたカタログを組み合わせたLEADSの導入。これは、物理的な事前知識を構成可能なビルディングブロックとしてエンコードすることで、オープンエンドなアーキテクチャ探索を許容しながら、探索の効率性と物理的解釈性を保証する。
3. 合成データおよび実データによる検証： LEADSが、心臓ダイナミクスの真の知識（オラクル知識）を必要とせずに、人間が設計したハイブリッドモデルおよび制約のないLLMベースの手法を凌駕することを実証した。

4. 実験結果

合成データ実験

フレームワークは、3つの正解反応モデル（Aliev-Panfilov、Rogers-McCulloch、Mitchell-Schaeffer）から生成された合成膜電位（TMP）の軌跡を用いてテストされた。

• パフォーマンス： LEADSは平均MSE 26.7 ($\times 10^{-3}$) という優れた値を達成し、人間が設計したHybrid-Model (37.6) を上回り、心臓の活性化を生成できなかった制約のないHDTwinGen (416.3) を大幅に上回った。
• 構造の特定： 事前知識がないにもかかわらず、LEADSは3つのデータセットすべてに対して正解の反応モデルを正しく特定し、活性化時間（AT）波形パターンを正確に再現するようにニューラル拡散コンポーネントを最適化した。

実データ実験

Utahデータセット（動物モデル）からの実Endocardial EGM（心内膜電位）記録を用いて検証を行った。

• 指標： テスト平均活性化時間（AT）誤差を用いて評価。
• 結果： LEADSはAT誤差 5.52 を達成し、最良の人間設計Hybrid-Model (5.64) を上回った。既知の反応を持つオラクル物理ベースモデルが3.42を達成した一方で、LEADSはこの性能に自律的に接近した。
• 定性的分析： ATマップの可視化により、LEADSは人間設計のハイブリッドモデルが顕著な活性化時間の遅延を示したのに対し、正解に近く滑らかな活性化パターンを生成したことが示された。

アブレーション研究

• Diff-Only (固定反応)： 一部のデータセットでは同等の性能を示したが、他のデータセットでは低下した。これは、正しいキネティクスがあっても、表現力のある拡散が必要であることを示している。
• React-Only (固定拡散)： パフォーマンスを著しく悪化させた（例：RM誤差が10.1から20.4に増加）。これは、固定された拡散アーキテクチャが性能のボトルネックになることを示している。
• All-Neural (全ニューラル)： 物理カタログを完全なデータ駆動型モジュールに置き換えると、一貫してパフォーマンスが低下した。これは、限られたトレーニングデータの下では、物理ベースの反応事前知識が不可欠であることを裏付けている。

5. 意義と主張

本論文は、LEADSが、人間が設計したモデルの解釈性と、LLMベースの発見による自動化の間のギャップを埋めることに成功したと主張している。LLMエージェントを構造化されたドメイン情報の反映されたアクション空間に制約することで、LEADSは制約のないコード生成に伴う不安定性や生理学的な不適切さを回避しつつ、手動設計の労力と硬直性を排除している。

著者らは、ハイブリッドな物理・ニューラルカタログに対する共同探索が、堅牢な心臓EPモデリングに不可欠であることをLEADSが示していると強調している。本フレームワークは、基礎となるダイナミクスのオラクル知識を必要とせずに、実臨床データに対して競争力のある精度を達成しており、スケーラブルでパーソナライズされたデジタルツインへの実現可能な道筋を示唆している。著者らは、現在の限界として、単一の心臓メッシュ形状と固定されたカタログを挙げており、マルチジオメトリ設定や多様な生理学的ドメインへの拡張を今後の課題としている。