기술 요약: LEADS – 에이전트 기반 구조 발견을 통한 학습형 전기생리학 하이브리드 모델

1. 문제 정의

개인 맞춤형 심장 전기생리학(EP) 디지털 트윈을 구축하는 것은 카테터 절제술 가이드, 급사 위험 평가, 인실리코(in silico) 약물 테스트와 같은 임상적 응용을 위해 매우 중요하다. 그러나 정확한 모델을 구축하는 것은 도전적인 과제이다. 왜냐며 심장의 전기적 전파는 확산 성분(파면의 확산)과 반응 성분(국소 이온 역학) 모두가 조직 특성, 섬유화 및 질병 상태에 따라 환자마다 크게 달라지는 반응-확산 시스템이기 때문이다.

기존의 접근 방식은 다음과 같은 트레이드오프에 직면해 있다:

• 인간 설계 하이브리드 모델: 전문가는 반응 모델(예: Aliev-Panfilov)과 확산 연산자를 수동으로 선택하고 파라미터를 피팅한다. 이는 해석 가능하지만, 노동 집약적이며 깊은 도메인 지식을 요구하고, 고정된 아키텍처는 서로 다른 환자에게 전이되는 데 한계가 있다.
• 제약 없는 LLM 기반 방법: HDTwinGen과 같은 최근 연구들은 대규모 언어 모델(LLM)을 사용하여 임의의 하이브리드 모델 코드를 생성한다. 일반적인 동역학 시스템에는 유망하지만, 이러한 방법들은 심장 EP에 필요한 구조적 사전 지식(structural priors)이 부족하다. 이들은 물리적으로 타당한 출력을 생성하지 못하거나 안정적인 ODE 적분을 수행하는 데 자주 실패하는데, 이는 코드 생성 공간이 제약되지 않았기 때문이다.
• 직접적인 LLM 디지털 트윈: LLM을 모델로 직접 사용하는 것은 임상적 신뢰에 필요한 수학적 투명성과 물리적 해석 가능성을 희생시킨다.

핵심 문제는 각 환자에게 적합한 모델 구조(단순히 파라미터 피팅뿐만 아니라)를 자동으로 발견하면서도, 안정적인 심장 시뮬레이션에 필요한 강력한 구조적 사전 지식을 준수할 수 있는 방법이 부재하다는 것이다.

2. 방법론: LEADS 프레임워크

저자들은 LEADS(Learning Electrophysiology hybrid model through Agentic Discovery of Structure)를 제안한다. 이 프레임워크는 심장 EP 도메인 지식을 구조화된 액션 공간(action space)으로 정식화하고, LLM 에이전트가 이를 탐색하도록 활용한다.

핵심 아키텍처

LEADS는 이산 심장 메쉬 $G$ 상에 정의된 반응-확산 ODE 시스템을 기반으로 작동한다:
$$\frac{du}{dt} = D(u, G) + R_u(u, v)$$
$$\frac{dv}{dt} = R_v(u, v)$$
여기서 $u$는 막 전위(transmembrane potential), $v$는 회복 변수, $D$는 확산을 제어하며, $R$은 이온 반응 역학을 나타낸다.

에이전트 루프

시스템은 관찰-사고-행동(Observe-Think-Act) 루프 내에서 LLM 에이전트(구체적으로 Gemini-2.5-Flash)를 사용하는 반복적인 과정을 채택한다:

1. 구조화된 액션 공간: 에이전트는 임의의 코드를 생성하는 대신 큐레이션된 카탈로그에서 선택한다:
   • 확산 카탈로그(Diffusion Catalog): 단순 평균 집계부터 복잡한 그래프 어텐션 네트워크(GAT) 및 엣지 MLP에 이르는 신경망 아키텍처를 포함한다.
   • 반응 카탈로그(Reaction Catalog): 확립된 물리 기반 이온 모델(예: Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer)을 포함한다.
2. 분리된 결정(Decoupled Decisions): 각 단계에서 에이전트는 두 가지 결정을 내린다:
   • 반응 선택(Reaction Selection): 카탈로그에서 특정 물리 기반 반응 모델을 선택한다.
   • 확산 연산(Diffusion Operation): 다음 네 가지 연산 중 하나를 선택한다:
     • 선택(Select): 카탈로그에서 새로운 아키텍처를 선택한다.
     • 정교화(Refine): 현재 확산 모듈의 하이퍼파라미터(예: 은닉 차원, 레이어 수)를 조정한다.
     • 수정(Modify): 템플릿을 넘어 구조적 변형을 만들기 위해 기초 코드를 자유롭게 편집한다.
     • 단순화(Simplify): 과적합을 방 mitigate하기 위해 복잡도를 줄인다.
3. 추론 및 피드백: 에이전트는 이전 후보들의 기록(검증 손실, 훈련 곡선)을 관찰하고, 성능 문제(예: 과적합, 용량 부족)에 대해 추론하며, 새로운 하이브리드 구조를 제안한다.
4. 파라미터 피팅: 에이전트가 제안한 모든 후보 모델에 대해, 궤적 오차를 최소화하기 위해 **경사 하강법(gradient descent)**을 사용하여 학습 가능한 파라미터($\theta, \phi$)를 피팅한다. 에이전트는 구조적 발견을 담당하고, 경사 하강법은 파라미터 최적화를 담당한다.

프로세스는 액션 예산이 소진되거나 수렴에 도달할 때까지 지속되며, 가장 성능이 좋은 모델을 반환한다.

3. 주요 기여

1. 자동화된 아키텍처 발견: 도메인 전문가의 수동 아키텍처 설계 필요성을 제거하고, 개인 맞춤형 심장 EP 디지털 트윈을 구축하기 위한 새로운 LLM 에이전트 기반 솔루션을 제시한다.
2. 구조화된 하이브리드 액션 공간: LEADS의 도입은 LLM의 추론 능력과 도메인 기반 카탈로그를 결합한다. 이는 물리적 사전 지식을 구성 가능한 빌딩 블록으로 인코딩하여, 개방형 아키텍처 발견을 허용하면서도 탐색 효율성과 물리적 해석 가능성을 보장한다.
3. 합성 및 실제 데이터 검증: LEADS가 오라클(oracle) 지식 없이도 인간이 설계한 하이브리드 모델 및 제약 없는 LLM 기반 방법보다 우수한 성능을 보임을 입증하였다.

4. 실험 결과

합성 데이터 실험

프레임워크는 세 가지 ground-truth 반응 모델(Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer)로부터 생성된 합성 막 전위(TMP) 궤적에 대해 테스트되었다.

• 성능: LEADS는 평균 MSE 26.7 ($\times 10^{-3}$)를 달성하여, 인간 설계 하이브리드 모델(37.6)보다 우수했으며, 심장 활성화를 생성하는 데 실패한 제약 없는 HDTwinGen(416.3)보다 현저히 높은 성능을 보였다.
• 구조 식별: 사전 지식이 없음에도 불구하고, LEADS는 세 가지 데이터셋 모두에서 ground-truth 반응 모델을 정확하게 식별하였으며, 활성화 시간(AT) 파형을 정확하게 재현하도록 신경 확산 성분을 최적화하였다.

실제 데이터 실험

Utah 데이터셋(동물 모델)의 실제 심내막 전도도(Endocardial EGM) 기록을 통해 검증을 수행하였다.

• 지표: 테스트 평균 활성화 시간(AT) 오차를 사용하여 평가하였다.
• 결과: LEADS는 AT 오차 5.52를 달성하여, 가장 우수한 인간 설계 하이브리드 모델(5.64)을 능가하였다. 알려진 반응을 가진 오라클 물리 기반 모델(Physics-Based model)이 3.42를 달성한 것과 비교했을 때, LEADS는 자율적으로 이 성능에 근접하였다.
• 정성적 분석: AT 맵 시각화 결과, LEADS는 인간 설계 하이브리드 모델이 보여준 뚜렷한 활성화 시간 지연과 달리, ground truth와 더 밀접하게 일치하는 매끄러운 활성화 패턴을 생성하였다.

절제 연구(Ablation Studies)

• Diff-Only (고정된 반응): 일부 데이터셋에서는 유사한 성능을 보였으나 다른 데이터셋에서는 성능이 저하되었으며, 이는 올바른 역학(kinetics)이 있더라도 표현력 있는 확산이 필수적임을 보여준다.
• React-Only (고정된 확산): 성능이 크게 악화되었다(예: RM 오차가 10.1에서 20.4로 증가). 이는 고정된 확산 아키텍처가 성능의 병목 현상을 일으킨다는 것을 나타낸다.
• All-Neural: 물리 카탈로그를 완전한 데이터 기반 모듈로 대체하면 성능이 일관되게 저하되었으며, 이는 물리 기반 반응 사전 지식이 제한된 훈련 데이터 환경에서 필수적임을 확인시켜 준다.

5. 의의 및 주장

본 논문은 LEADS가 인간이 설계한 모델의 해석 가능성과 LLM 기반 발견의 자동화 사이의 간극을 성공적으로 메웠다고 주장한다. LLM 에이전트를 구조화되고 도메인 정보가 반영된 액션 공간으로 제한함으로써, 이 프레임워크는 제약 없는 코드 생성의 불안정성과 생리학적 비타당성을 피하는 동시에 수동 설계의 노동력과 경직성을 제거한다.

저자들은 LEADS가 **하이브리드 물리-신경 카탈로그에 대한 공동 탐색(joint search)**이 견고한 심장 EP 모델링에 필수적임을 입증했다고 강조한다. 이 프레임워크는 밑바닥의 역학에 대한 오라클 지식 없이도 실제 임상 데이터에서 경쟁력 있는 정확도를 달एको 있으며, 이는 확장 가능한 개인 맞춤형 디지털 트윈을 향한 실행 가능한 경로를 제시한다. 저자들은 현재의 한계점으로 단일 심장 메쉬 기하 구조와 고정된 카탈로그를 언급하였으며, 향후 다중 기하 구조 및 다양한 생리학적 도메인으로 확장할 계획이라고 밝혔다.