🤖 machine learning

CPAgents: Agentic Composite Phenotype Generation for Cardiac Disease Association

CPAgents is een iteratief, multi-agent framework dat automatisch interpreteerbare samengestelde cardiale beeldvormingsfenotypes construeert en valideert, waarmee het traditionele methoden aanzienlijk overtreft in het identificeren van robuuste associaties met klinische ziekten binnen een cohort op populatieschaal.

Oorspronkelijke auteurs: Zuoou Li, Wenlong Zhao, Kelly Yu, Weitong Zhang, Paul M. Matthews, Wenjia Bai, Bernhard Kainz, Mengyun Qiao

Gepubliceerd 2026-06-29

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zuoou Li, Wenlong Zhao, Kelly Yu, Weitong Zhang, Paul M. Matthews, Wenjia Bai, Bernhard Kainz, Mengyun Qiao

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 probeert te voorspellen welke patiënten hartziekten kunnen ontwikkelen, zoals een hoge bloeddruk of diabetes. Artsen hebben momenteel een enorme gereedschapskist met "ruwe ingrediënten" om mee te werken: metingen van de grootte van de hartkamers, spierdikte, bloedsnelheid, enzovoort.

Het probleem is dat het één voor één bekijken van deze ingrediënten is alsof je probeert een perfecte taart te bakken door alleen individuele eieren, bloem of suiker te proeven. Je mist de magie die gebeurt wanneer ze worden gemengd. Bovendien zijn de relaties tussen hartgezondheid en ziekte niet altijd eenvoudig; soms vertelt een specifieke ratio van twee metingen of een kwadratische waarde een veel sterker verhaal dan de ruwe getallen alleen.

Het probleem met huidige methoden
Traditioneel vertrouwden onderzoekers op twee benaderingen:

De Expert-benadering: Artsen kiezen handmatig de meest voor de hand liggende combinaties op basis van hun kennis. Dit is veilig maar traag, en het kan verborgen patronen missen.
De "Brute Force"-benadering: Computers proberen elke mogelijke wiskundige combinatie. Dit is snel, maar creëert vaak "onzin"-formules die er op papier goed uitzien maar in de echte wereld falen (zoals een recept dat zegt: "voeg 500 kopjes zout toe").

De Oplossing: CPAgents (Het Digitale Keukenteam)
De auteurs van dit artikel hebben een nieuw systeem ontwikkeld genaamd CPAgents. In plaats van één enkel computerprogramma, hebben ze een team van drie gespecialiseerde "AI-agenten" gebouwd die samenwerken als een hoogwaardig keukenteam om nieuwe, betere recepten (genaamd composiet fenotypes) te bedenken voor het voorspellen van ziekten.

Zo werkt het team:

De Analist (De Proever):
Voordat er gekookt wordt, proeft deze agent de ruwe ingrediënten. Het kijkt naar de data om aanwijzingen te vinden: "Hé, deze hartmeting is scheef," of "Deze twee metingen lijken op een vreemde manier met elkaar te interageren." Het maakt een boodschappenlijstje van wat misschien zou kunnen werken, waarbij het aanwijzingen geeft waar de data vreemd is of waar niet-lineaire relaties bestaan.
De Proposer (De Creatieve Chef):
Gewapend met de aantekeningen van de Analist, probeert deze agent nieuwe recepten uit te vinden. Het gebruikt een mix van:

Medische Kennis: "Laten we een formule proberen die artsen daadwerkelijk gebruiken."
Statistische Aanwijzingen: "De Analist zei dat deze data vreemd is, dus laten we een vierkantswortel proberen om het te corrigeren."
Creatieve Wiskunde: "Wat als we deze twee getallen delen?"
Cruciale Veiligheidsregel: De Proposer heeft strikte regels om gevaarlijke wiskunde te voorkomen (zoals delen door nul). Het genereert formules die wiskundig veilig en medisch plausibel zijn.

De Verifier (De Strenge Voedselcriticus):
De Verifier proeft niet alleen het nieuwe gerecht; het onderwerpt het aan een rigoureuze inspectie.

Stabiliteitscheck: "Werkt dit recept nog steeds als we de ingrediënten een klein beetje veranderen?"
Redundantiecheck: "Is dit nieuwe recept niet gewoon een kopie van een oud recept?"
Prestatiecheck: "Helpt dit daadwerkelijk beter bij het voorspellen van de ziekte dan de oude recepten?"
Als een recept faalt, stuurt de Verifier het met feedback terug naar de Proposer ("Te complex", "Niet stabiel"). Als het slaagt, wordt het toegevoegd aan de definitieve menukaart.

De Resultaten: Een Beter Menu
Het team heeft dit systeem getest op een enorme dataset van bijna 27.000 mensen uit de UK Biobank, kijkend naar 9 verschillende ziekten (van hartziekten tot depressie).

De Scorekaart: Ze vergeleken hun door AI gegenereerde recepten met de "Expert"-recepten en andere AI-methoden over 72 verschillende testscenario's (verschillende ziekten, verschillende computermodellen).
De Overwinning: Het CPAgents-systeem kwam bovendrijven in 56 van de 72 gevallen. De oude methoden wonnen slechts 18 keer.
De Kwaliteit: De nieuwe formules waren niet alleen "black box"-magie. Het waren compacte, leesbare wiskundige vergelijkingen (zoals een specifieke ratio van hartmassa tot lengte) die artsen daadwerkelijk konden begrijpen.
De "Silhouette"-test: De onderzoekers gebruikten een metriek genaamd de "Silhouette score" om te zien hoe goed de nieuwe recepten zieke mensen van gezonde mensen scheidden. De CPAgents-recepten zorgden voor een veel duidelijkere scheiding (zoals het sorteren van rode knikkers van blauwe knikkers) dan de ruwe ingrediënten of de expert-recepten deden.

Samenvattend
CPAgents is een systeem waarbij AI-agenten samenwerken om automatisch slimme manieren te verzinnen om hartmetingen te combineren. Door te fungeren als een team van een criticus, een chef en een veiligheidsinspecteur, ontdekten ze wiskundige formules die beter in staat zijn het risico op hartziekten op te sporen dan mensen of standaardcomputers alleen. Het resultaat is een set heldere, interpreteerbare regels die het makkelijker maken om de link tussen hartbeeldvorming en ziekte te begrijpen.

Technische Samenvatting: CPAgents – Agentic Composite Phenotype Generation voor Cardiale Ziekteassociatie

Probleemstelling
Het identificeren van robuuste associaties tussen cardiale beeldvormingsfenotypes en klinische ziekten is cruciaal voor grootschalig onderzoek naar cardiovasculaire risico's en risicostratificatie. De huidige Phenome-wide Association Studies (PheWAS) kampen echter met aanzienlijke beperkingen. Ze vertrouwen voornamelijk op vooraf gedefinieerde, enkelvoudige variabelen of door experts ontworpen kenmerken. Deze aanpak beperkt het vermogen om klinisch betekenisvolle niet-lineaire effecten en interacties tussen fenotypes te vangen. Bovale is, hoewel geautomatiseerde feature-constructie bestaat, missen bestaande methoden vaak expliciete controle op confounders, numerieke waarborgen en de interpreteerbaarheid die vereist is voor grootschalige fenotype-ontdekking in heterogene cohorten. De uitdaging ligt in het navigeren door de hoogdimensionale, redundante en complexe afhankelijkheidsstructuur van op beeldvorming gebaseerde kenmerken zonder dat dit leidt tot een excessieve last van meervoudige toetsing of instabiele, oninterpreteerbare bevindingen.

Methodologie: Het CPAgents-framework
De auteurs stellen CPAgents voor, een iteratief, agent-gebaseerd framework dat is ontworpen om interpreteerbare samengestelde fenotypes automatisch te construeren en te valideren vanuit basiskenmerken van cardiale beeldvorming. Het systeem werkt als een gesloten lus van drie gespecialiseerde agenten:

Statistische Profilering (Analyst Agent):
Voordat er nieuwe kenmerken worden gegenereerd, profileert de Analyst systematisch de huidige set kenmerken ( $F^{(t)}$ ) om de datakenmerken te achterhalen. Het genereert vijf statistische rapporten:
- Univariante vormbeoordeling (met behulp van $\Delta$ AIC tussen lineaire en spline logistische modellen) om niet-lineariteit te detecten.
- Distributionele karakterisering (scheefheid, kurtosis, uitschieters).
- Pairwise interactiescreening via wederzijdse informatie (mutual information).
- Groepseffectanalyse (intraclass correlatie en Cramér's V) om veilige standaardisatie op groepsniveau te beoordelen.
- Redundantie-clustering op basis van absolute correlatiematrices.
  Deze diagnostische gegevens worden gecomprimeerd tot gestructureerde aanbevelingen voor de volgende fase.
Transformatiegeneratie (Proposer Agent):
Onder leiding van de hints van de Analyst genereert de Proposer nieuwe kandidaten voor samengestelde kenmerken ( $f_{cand}$ ) met behulp van een Large Language Model (LLM). De generatie wordt beperkt tot een vooraf gedefinieerde operatorruimte $O$ (Abstract Syntax Trees) om validiteit en veiligheid te garanderen. Kandidaten worden geproduceerd via drie verschillende LLM-aanroepen met een ratio van 2:2:1:
- Medische Prioriteiten (40%): Kenmerken afgeleid van de interne klinische kennis van de LLM (bijv. gevestigde fysiologische ratio's).
- Statistische Transformaties (40%): Kenmerken die specifieke statistische rapporten adresseren (bijv. het toepassen van log1p op zware staartverdelingen).
- Exploratieve Wiskunde (20%): Veilige, geautomatiseerde wiskundige combinaties om latente patronen te ontdekken.
- Veiligheidsmechanismen: Het systeem handhaaft numerieke waarborgen, zoals het toevoegen van een gladstrijkingsterm ( $\epsilon = 10^{-9}$ ) aan divisie-operatoren om deling door nul te voorkomen. Mislukte kandidaten worden opnieuw geprompt voor reparatie.
Meerstaps Filtering en Validatie (Verifier Agent):
De Verifier evalueert kandidaten via een rigoureus screeningsproces:
- Marginale Nutstoets: Evalueert geïsoleerde $\Delta$ AUC.
- Stabiliteitsselectie: Gebruikt ElasticNet-regularisatie om spookcorrelaties te bestraffen.
- Deductie: Verwijdert redundante kenmerken via statistische clustering en AST-gebaseerde tekstuele matching.
- Globale Belangrijkheid: Gebruikt SHAP-waarden van een LightGBM-model om kenmerken te rangschikken.
- Globale Acceptatie: De beste kandidaten ondergaan cross-model validatie (SVM, LDA, AdaBoost, MLP) op een hold-out set. Een update van de kenmerkenset vindt alleen plaats als de samengestelde metriek $S = 0.5 \cdot \text{AUC} + 0.5 \cdot \text{Recall}$ verbetering laat zien op ten minste twee van de vier modellen. Het proces maakt gebruik van 'early stopping' na drie opeenvolgende afwijzingen.

Belangrijkste Bijdragen

Agentic Iteratieve Ontdekking: Formuleert fenotype-ontdekking als een iteratieve analyse-voorstel-verifieerlus, wat de automatische constructie van samengestelde fenotypes binnen een beperkte, veilige operator-set mogelijk maakt.
Statistisch Geïnformeerde Compositie: Integreert de analyse van de statistische structuur (verdelingen, redundantie, correlaties) met principiële screening en cross-gevalideerde metrieken om selectie-geïnduceerde overfitting te beperken.
Interpreteerbare en Reproduceerbare Resultaten: Genereert compacte, gesloten vorm-formules met transparante constructie-traces en bewijssamenvattingen, wat downstream auditing en replicatie vergemakkelijkt.

Experimentele Resultaten
Het framework werd geëvalueerd op de UK Biobank cardiale beeldvormingscohort (26.893 deelnemers) over negen klinische ziektecategorieën (bijv. hypertensie, hartziekten, COPD, diabetes).

Prestaties: Over 72 classifier–ziekte–metriek combinaties behaalden de CPAgents-varianten de hoogste rang in 56 gevallen, vergeleken met 18 voor baseline-methoden (expert-gedefinieerde kenmerken en MESHAgents). De methode presteerde consequent beter dan de baselines in alle negen ziektecategorieën.
Ablatie-studies: Het verwijderen van de Verifier-agent veroorzaakte de meest ernstige prestatieverslechtering (AUC daalde van 0.686 naar 0.590), wat de cruciale rol ervan benadrukt bij het filteren van instabiele kandidaten.
Interpreteerbaarheid: De ontdekte samengestelde fenotypes vertoonden een Silhouette-score van 0.413, ongeveer 1,5 keer hoger dan expert-gedefinieerde kenmerken (0.276), wat wijst op een aanzienlijk verbeterde cluster-scheidbaarheid en klasse-onderscheid.
Associatiepatronen: Heatmaps van ziekte-fenotype-associaties toonden aan dat samengestelde fenotypes meer geconcentreerde en consistente associatiepatronen produceerden vergeleken met enkelvoudige variabelen.

Betekenis en Claims
Het artikel beweert dat CPAgents de schaalbare ontdekking van sterkere fenotype-ziekte-associaties mogelijk maakt die verder gaan dan expert-gestuurde kenmerkenselectie. Door automatisch compacte, klinisch interpreteerbare formules te construeren, adresseert het framework de beperkingen van lineaire modellering en handmatige feature engineering. De auteurs benadrukken dat hun aanpak "transparante bewijstrajecten" oplevert, waardoor de ontdekking van niet-lineaire effecten en cross-fenotype interacties mogelijk is die robuust zijn tegen cohort-heterogeniteit. Dit werk positioneert agentische systemen als een levensvatbare oplossing om de kloof tussen hoogdimensionale beeldvormingsdata en betrouwbare, interpreteerbare klinische risicostratificatie te overbruggen.

Meer zoals dit