🤖 AI

Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure

Dit artikel introduceert LEADS, een agentisch framework dat gebruikmaakt van grote taalmodellen om automatisch fysiek gegronde, interpreteerbare hybride digitale tweelingen van de cardiale elektrofysiologie te ontdekken en te verfijnen, waarbij het zowel traditionele door experts ontworpen modellen als bestaande op LLM gebaseerde benaderingen overtreft.

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

Gepubliceerd 2026-06-17

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je hart een complexe stad is waar elektriciteit door de straten stroomt om de lichten brandend te houden. Soms raakt het elektriciteitsnetwerk in de war, wat zorgt voor black-outs of onregelmatig flikkeren (aritmieën). Om dit te reparen, hebben artsen een perfecte "digitale tweeling" nodig—een virtuele, gepersonaliseerde simulatie van jouw specifieke hartstad.

Het probleem is dat elke hartstad anders is gebouwd. Sommige hebben brede boulevards, andere smalle steegjes, en sommige hebben kuilen (littekens) door eerdere schade.

De Oude Manier: De Meesterarchitect

Traditioneel was het bouwen van deze digitale tweeling alsof je een meesterarchitect inhuurde die handmatig de blauwdrukken voor elke individuele patiënt moest tekenen.

De Taak van de Expert: De expert moest raden welke wiskundige formules (de "fysica") beschreven hoe elektriciteit zich verspreidt en welke formules beschreven hoe hartcellen reageren.
De Fout: Dit was traag, duur en vereiste een PhD in de cardiologie. Bovendien was een blauwdruk die werkte voor Patiënt A vaak volkomen ongeschikt voor Patiënt B, omdat de "regels" van de stad net even anders waren.

Het Nieuwe Probleem: Het Wilde Westen van de AI

Onlangs probeerden wetenschappers een superintelligente AI (een Large Language Model) te gebruiken om de code voor deze hartmodellen automatisch te schrijven.

Het Idee: Laat de AI gewoon elke code bedenken die hij maar wil.
Het Resultaat: De AI werd creatief, maar werd té creatief. Hij bedacht natuurwetten die niet bestaan, zoals elektriciteit die achteruit stroomt of hartcellen die exploderen. De simulaties crashten of produceerden onzin omdat de AI de basis "verkeersregels" van een kloppend hart niet kende.

De Oplossing: LEADS (De Slimme Stadsplanner)

De auteurs van dit paper creëerden een nieuw systeem genaamd LEADS. Zie LEADS als een Slimme Stadsplanner die over een zeer specifieke, georganiseerde gereedschapskist beschikt.

In plaats van de AI de code vanaf nul te laten schrijven, geeft LEADS de AI een gestructureerde catalogus van vooraf goedgekeurde bouwstenen:

De "Diffusie"-catalogus: Dit zijn instrumenten voor hoe elektriciteit zich verspreidt (zoals kiezen tussen een snelweg, een lokale weg of een grafieknetwerk).
De "Reactie"-catalogus: Dit zijn bewezen, veilige formules voor hoe hartcellen reageren (zoals kiezen tussen een standaard motor, een turbomotor of een hybride motor).

Hoe LEADS Werkt: De "Probeer, Denk, Corrigeer"-lus

LEADS gebruikt een AI-agent die fungeert als een detective die een puzzel oplost, waarbij een lus van Observeren, Denken en Handelen wordt gevolgd:

Observeren: De agent probeert een combinatie uit (bijv. "Snelweg + Standaard Motor") en voert een simulatie uit. Hij kijkt naar de resultaten: "Viel het overeen met de echte hartgegevens van de patiënt? Is het oververhit geraakt (overfitting)?"
Denken: De agent redeneert over de fout. "Ah, de simulatie was te simpel; het kon de complexe curves niet vatten. Of misschien was het te complex en begon het de ruis uit het hoofd te leren."
Handelen: De agent kiest een nieuw instrument uit de catalogus.
- Selecteren: "Laten we de Standaard Motor vervangen door een Turbomotor."
- Verfijnen: "Laten we de instellingen van de Turbomotor aanpassen."
- Vereenvoudigen: "Dit is te ingewikkeld; laten we een laag verwijderen."
- Modificeren: "Laten we de code van de Snelweg iets aanpassen om deze soepeler te maken."

De AI blijft deze lus herhalen, waarbij onderdelen worden verwisseld en bijgesteld, totdat hij de perfecte "hybride" model vindt die past bij de specifieke hartgegevens van die patiënt.

De Resultaten: Wat Ze Vonden

De onderzoekers testten dit op twee soorten data:

Nepdata (Synthetisch): Ze maakten computerharten met bekende "geheime recepten" (ground truth).
- De Winnaar: LEADS ontdekte de geheime recepten en bouwde modellen die veel nauwkeuriger waren dan de handmatige ontwerpen van menselijke experts.
- De Verliezer: De "Wilde Westen" AI (HDTwinGen) faalde volledig; hij kon de simulatie niet eens een hartslag laten genereren.
Echte Data (Utah Dataset): Ze testten dit op echte dierlijke hartopnames.
- De Winnaar: LEADS vond een model dat de elektrische timing van het hart bijna net zo goed voorspelde als het beste door mensen ontworpen model, maar deed dit automatisch zonder dat eerst een mens de structuur hoefde te raden.

De Kern van het Verhaal

LEADS is een brug tussen menselijke kennis en AI-automatisering. Het laat de AI niet ongecontroleerd rond te razen; in plaats daarvan biedt het de AI een gestructureerde speeltuin waar hij veilig kan experimenteren en kan leren wat de beste manier is om een gepersonaliseerd hartmodel te bouwen. Het bewijst dat je niet langer een menselijke expert nodig hebt om elk hartmodel handmatig te ontwerpen; je hebt alleen een AI-agent nodig met het juiste regelboek om het ontwerp voor je te ontdekken.

Technische Samenvatting: LEADS – Leren van hybride elektrofysiologische modellen door agentische ontdekking van structuur

1. Probleemstelling

Het bouwen van gepersonaliseerde digitale tweelingen voor cardiale elektrofysiologie (EP) is cruciaal voor klinische toepassingen zoals het begeleiden van katheterablatie, het beoordelen van het risico op plotseling overlijden door hartfalen en in silico medicijntesten. Het construeren van nauwkeurige modellen is echter een uitdaging omdat de elektrische propagatie in het hart een reactie-diffusie systeem is, waarbij zowel het diffusiecomponent (golffrontverspreiding) als de reactiecomponent (lokale ionische kinetiek) aanzienlijk kunnen variëren tussen patiënten door weefseleigenschappen, fibrose en ziektestadia.

Huidige benaderingen kampen met een afruil:

Door mensen ontworpen hybride modellen: Experts selecteren handmatig een reactiemodel (bijv. Aliev-Panfilov) en een diffusie-operator, en passen vervolgens parameters aan. Hoewel dit interpreteerbaar is, is dit proces arbeidsintensief, vereist het diepe domeinkennis en faalt de vaste architectuur vaak bij het overdragen naar verschillende patiënten.
Onbeperkte LLM-gebaseerde methoden: Recente werken zoals HDTwinGen gebruiken Large Language Models (LLMs) om willekeurige hybride modelcode te genereren. Hoewel veelbelovend voor algemene dynamische systemen, missen deze methoden de noodzakelijke structurele priors voor cardiale EP. Ze falen frequent in het produceren van fysiologisch plausibele outputs of stabiele ODE-integraties omdat de codegeneratieruimte onbeperkt is.
Directe LLM Digitale Tweelingen: Het direct gebruiken van LLM's als het model offert de wiskundige transparantie en fysieke interpreteerbaarheid op die vereist zijn voor klinisch vertrouwen.

Het kernproblein is het gebrek aan een methode die de passende modelstructuur (niet alleen het aanpassen van parameters) automatisch kan ontdekken voor elke patiënt, terwijl de sterke structurele priors worden nageleefd die nodig zijn voor stabiele cardiale simulaties.

2. Methodologie: Het LEADS-framework

De auteurs stellen LEADS voor (Learning Electrophysiology hybrid model through Agentic Discovery of Structure), een framework dat de kennis van het cardiale EP-domein formuleert als een gestructureerde actieruimte en een LLM-agent gebruikt om deze te navigeren.

Kernarchitectuur

LEADS werkt op een reactie-diffusie ODE-systeem gedefinieerd op een discrete hartmesh $G$ :
$\frac{du}{dt} = D(u, G) + R_u(u, v)$
$\frac{dv}{dt} = R_v(u, v)$
Waarbij $u$ het transmembraanpotentiaal is, $v$ de herstelvariabele, $D$ de diffusie regelt en $R$ de ionische reactiekinetiek vertegenwoordigt.

De Agentische Loop

Het systeem maakt gebruik van een LLM-agent (specifiek Gemini-2.5-Flash) in een iteratieve Observe-Think-Act loop:

Gestructureerde Actieruimte: In plaats van willekeurige code te genereren, selecteert de agent uit gecureerde catalogi:
- Diffusie Catalogus: Bevat neurale architecturen variërend van eenvoudige gemiddelde aggregatie tot complexe Graph Attention Networks en Edge MLPs.
- Reactie Catalogus: Bevat gevestigde natuurkundige ionische modellen (bijv. Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).
Ontkoppelde Beslissingen: In elke stap neemt de agent twee beslissingen:
- Reactie Selectie: Kiest een specifiek natuurkundig reactiemodel uit de catalogus.
- Diffusie Operatie: Selecteert een van vier operaties:
  - Select: Kies een nieuwe architectuur uit de catalogus.
  - Refine: Pas hyperparameters aan (bijv. verborgen dimensies, lagen) van het huidige diffusiemodule.
  - Modify: Bewerk vrij de onderliggende code om structurele varianten te creëren die verder gaan dan sjablonen.
  - Simplify: Verminder de complexiteit om overfitting te beperken.
Redenering en Feedback: De agent observeert een archief van eerdere kandidaten (validatiefouten, trainingscurves), redeneert over prestatieproblemen (bijv. overfitting, onvoldoende capaciteit) en stelt een nieuwe hybride structuur voor.
Parameter Fitting: Voor elke door de agent voorgestelde kandidaatmodel wordt gradient descent gebruikt om de leerbare parameters ( $\theta, \phi$ ) aan te passen door de trajectfouten te minimaliseren. De agent verzorgt de structurele ontdekking; gradient descent verzorgt de parameteroptimalisatie.

Het proces eindigt wanneer het actiebudget is uitgeput of convergentie is bereikt, waarbij het best presterende model wordt geretourneerd.

3. Belangrijkste Bijdragen

Geautomatiseerde Architectuurontdekking: Een innovatieve LLM-agent-gebaseerde oplossing voor het construeren van gepersonaliseerde cardiale EP digitale tweelingen, waardoor de noodzaak voor handmatige architectuurontwerp door domeinexperts wordt weggenomen.
Gestructureerde Hybride Actieruimte: De introductie van LEADS, die LLM-redenering combineert met een domeingrondige catalogus. Dit codeert fysieke priors als samenstelbare bouwstenen, wat efficiënte zoektochten en fysieke interpreteerbaarheid waarborgt terwijl open einde architecturale ontdekking mogelijk blijft.
Validatie op Synthetische en Real-world Data: Demonstratie dat LEADS zowel door mensen ontworelde hybride modellen als onbeperkte LLM-gebaseerde methoden verslaat zonder dat daarvoor 'oracle knowledge' van de onderliggende cardiale dynamica nodig is.

4. Experimentele Resultaten

Synthetische Data Experimenten

Het framework werd getest op synthetische transmembraanpotentiaal (TMP) trajecten gegenereerd vanuit drie grondwaarheid reactiemodellen (Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).

Prestaties: LEADS behaalde een superieure gemiddelde Mean Squared Error (MSE) van 26.7 ( $\times 10^{-3}$ ), wat beter is dan de door mensen ontworpen Hybrid-Model (37.6) en aanzienlijk beter dan de onbeperkte HDTwinGen (416.3), die faalde in het produceren van cardiale activatie.
Structuur Identificatie: Ondanks het gebrek aan voorkennis, identificeerde LEADS correct het grondwaarheid reactiemodel voor alle drie de datasets en optimaliseerde het de neurale diffusiecomponent om de activatietijd (AT) wavefront patronen accuraat te reproduceren.

Real-world Data Experimenten

Validatie werd uitgevoerd op echte Endocardiale Elektrogram (EGM) opnames uit de Utah-dataset (dierlijk model).

Metrieken: Geëvalueerd met de Test Mean Activation Time (AT) Error.
Resultaten: LEADS behaalde een AT-fout van 5.52, waarmee het de beste door mensen ontworpen Hybrid-Model (5.64) versloeg. Hoewel een Oracle Physics-Based model (met bekende reactie) een score van 3.42 behaalde, benaderde LEADS deze prestatie autonoom.
Kwalitatieve Analyse: Visuele AT-kaarten toonden aan dat LEADS soepele activatiepatronen produceerde die nauwer aansluiten bij de grondwaarheid dan het door mensen ontworde hybride model, dat duidelijke vertragingen in de activatietijd vertoonde.

Ablatie-studies

Diff-Only (Vaste Reactie): Presteerde vergelijkbaar op sommige datasets, maar degradeerde op andere, wat aantoont dat zelfs met correcte kinetiek, expressieve diffusie noodzakelijk is.
React-Only (Vaste Diffusie): Verslechterde de prestaties aanzienlijk (bijv. RM-fout steeg van 10.1 naar 20.4), wat aangeeft dat een vaste diffusiearchitectuur de prestaties beperkt.
All-Neural: Het vervangen van de natuurkundige catalogus door een volledig datagedreven module degradeerde de prestaties consistent, wat bevestigt dat natuurkundige reactie-priors onmisbaar zijn bij beperkte trainingsdata.

5. Betekenis en Claims

Het artikel claimt dat LEADS er succesvol in slaagt de kloof te overbruggen tussen de interpreteerbaarheid van door mensen ontworpen modellen en de automatisering van LLM-gebaseerde ontdekking. Door de LLM-agent te beperken tot een gestructureerde, domein-geïnformeerde actieruimte, vermijdt het framework de instabiliteit en fysiologische onwaarschijnlijkheid van onbeperkte codegeneratie, terwijl het de arbeid en starheid van handmatig ontwerp elimineert.

De auteurs benadrukken dat LEADS aantoont dat een gezamenlijke zoektocht over een hybride physics-neural catalogus essentieel is voor robuuste cardiale EP-modellering. Het framework bereikt competitieve nauwkeurigheid op echte klinische data zonder dat hiervoor 'oracle knowledge' van de onderliggende dynamica vereist is, wat wijst op een levensvatbaar pad naar schaalbare, gepersonaliseerde digitale tweelingen. De auteurs merken op dat huidige beperkingen een enkele hartmesh-geometrie en een vaste catalogus betreffen, waarbij toekomstig werk gepland is om uit te breiden naar multi-geometrie settings en diverse fysiologische domeinen.