Resumo Técnico: LEADS – Aprendizado de Modelos Híbridos de Eletrofisiologia através da Descoberta Agêntica de Estrutura

1. Declaração do Problema

A construção de gêmeos digitais de eletrofisiologia (EP) cardíaca personalizados é crítica para aplicações clínicas, tais como o guia de ablação por cateter, avaliação de risco de morte súbita e testes de fármacos in silico. No entanto, construir modelos precisos é um desafio porque a propagação elétrica cardíaca é um sistema de reação-difusão onde tanto o componente de difusão (propagação da frente de onda) quanto o componente de reação (cinética iônica local) variam significativamente entre pacientes devido às propriedades teciduais, fibrose e estados patológicos.

As abordagens atuais enfrentam um compromisso (trade-off):

• Modelos Híbridos Projetados por Humanos: Especialistas selecionam manualmente um modelo de reação (ex: Aliev-Panfilov) e um operador de difusão, e então ajustam os parâmetros. Embora interpretável, esse processo é trabalhoso, exige profundo conhecimento especializado e a arquitetura fixa frequentemente falha ao tentar transferir para diferentes pacientes.
• Métodos Baseados em LLM sem Restrições: Trabalhos recentes como o HDTwinGen utilizam Grandes Modelos de Linguagem (LLMs) para gerar código de modelos híbridos arbitrários. Embora promissores para sistemas dinâmicos gerais, esses métodos carecem dos priors estruturais necessários para a EP cardíaca. Eles frequentemente falham em produzir saídas fisiologicamente plausíveis ou integrações de EDO estáveis porque o espaço de geração de código é não restrito.
• Gêmeos Digitais Diretos via LLM: Usar LLMs diretamente como o modelo sacrifica a transparência matemática e a interpretabilidade física exigidas para a confiança clínica.

O problema central é a falta de um método que possa descobrir automaticamente a estrutura apropriada do modelo (não apenas ajustar parâmetros) para cada paciente, enquanto adere aos fortes priors estruturais necessários para simulações cardíacas estáveis.

2. Metodologia: O Framework LEADS

Os autores propõem o LEADS (Learning Electrophysiology hybrid model through Agentic Discovery of Structure), um framework que formula o conhecimento de domínio de EP cardíaca como um espaço de ação estruturado e utiliza um agente de LLM para navegá-lo.

Arquitetura Central

O LEADS opera em um sistema de EDO de reação-difusão definido em uma malha cardíaca discreta $G$:
$$\frac{du}{dt} = D(u, G) + R_u(u, v)$$
$$\frac{dv}{dt} = R_v(u, v)$$
Onde $u$ é o potencial transmembrana, $v$ é a variável de recuperação, $D$ governa a difusão e $R$ representa a cinética de reação iônica.

O Ciclo Agêntico

O sistema emprega um agente de LLM (especificamente o Gemini-2.5-Flash) em um loop iterativo Observar-Pensar-Agir (Observe-Think-Act):

1. Espaço de Ação Estruturado: Em vez de gerar código arbitrário, o agente seleciona a partir de catálogos curados:
   • Catálogo de Difusão: Contém arquiteturas neurais que variam desde simples agregação de média até complexas Redes de Atenção em Grafos (GAT) e MLPs de Aresta (Edge MLPs).
   • Catálogo de Reação: Contém modelos iônicos baseados em física estabelecidos (ex: Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).
2. Decisões Desacopladas: Em cada etapa, o agente toma duas decisões:
   • Seleção de Reação: Escolhe um modelo de reação específico baseado em física do catálogo.
   • Operação de Difusão: Seleciona uma de quatro operações:
     • Selecionar (Select): Escolher uma nova arquitetura do catálogo.
     • Refinar (Refine): Ajustar hiperparâmetros (ex: dimensões ocultas, camadas) do módulo de difusão atual.
     • Modificar (Modify): Editar livremente o código subjacente para criar variantes estruturais além dos modelos (templates).
     • Simplificar (Simplify): Reduzir a complexidade para mitigar o sobreajuste (overfitting).
3. Raciocínio e Feedback: O agente observa um arquivo de candidatos anteriores (perdas de validação, curvas de treinamento), raciocina sobre problemas de desempenho (ex: sobreajuste, insuficiência de capacidade) e propõe uma nova estrutura híbrida.
4. Ajuste de Parâmetros: Para cada candidato de modelo proposto pelo agente, o gradiente descendente é usado para ajustar os parâmetros aprendíveis ($\theta, \phi$) aos dados, minimizando erros de trajetória. O agente lida com a descoberta estrutural; o gradiente descendente lida com a otimização de parâmetros.

O processo termina quando o orçamento de ações é esgotado ou a convergência é alcançada, retornando o melhor modelo.

3. Principais Contribuições

1. Descoberta Automática de Arquitetura: Uma solução inovadora baseada em agente de LLM para construir gêmeos digitais de EP cardíaca personalizados, removendo a necessidade de design de arquitetura manual por especialistas de domínio.
2. Espaço de Ação Híbrido Estruturado: A introdução do LEADS, que combina o raciocínio de LLM com um catálogo fundamentado no domínio. Isso codifica priors físicos como blocos de construção compostáveis, garantindo eficiência de busca e interpretabilidade física, enquanto permite a descoberta arquitetônica de código aberto.
3. Validação em Dados Sintéticos e Reais: Demonstração de que o LEADS supera tanto os modelos híbridos projetados por humanos quanto os métodos de LLM sem restrições, sem exigir conhecimento oracle da dinâmica cardíaca subjacente.

4. Resultados Experimentais

Experimentos com Dados Sintéticos

O framework foi testado em trajetórias sintéticas de potencial transmembrana (TMP) geradas a partir de três modelos de reação de verdade fundamental (ground-truth) (Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer).

• Desempenho: O LEADS alcançou um Erro Quadrático Médio (MSE) médio superior de 26,7 ($\times 10^{-3}$), superando o Modelo Híbrido projetado por humanos (37,6) e superando significativamente o HDTwinGen sem restrições (416,3), que falhou em produzir ativação cardíaca.
• Identificação de Estrutura: Apesar da falta de conhecimento prévio, o LEADS identificou corretamente o modelo de reação de verdade fundamental para todos os três conjuntos de dados e otimizou o componente de difusão neural para reproduzir com precisão os padrões de frente de onda do tempo de ativação (AT).

Experimentos com Dados Reais

A validação foi realizada em registros reais de eletrogramas endocárdicos (EGM) do conjunto de dados Utah (modelo animal).

• Métricas: Avaliado usando o Erro de Tempo de Ativação (AT) de Teste.
• Resultados: O LEADS alcançou um erro de AT de 5,52, superando o melhor Modelo Híbrido projetado por humanos (5,64). Enquanto um modelo de Física (Physics-Based) oracle (com reação conhecida) alcançou 3,42, o LEADS aproximou-se deste desempenho de forma autônoma.
• Análise Qualitativa: Mapas de AT visuais mostraram que o LEADS produziu padrões de ativação suaves, alinhando-se mais proximamente à verdade fundamental do que o modelo híbrido projetado por humanos, que exibiu atrasos pronunciados no tempo de ativação.

Estudos de Ablação

• Só-Difusão (Reação Fixa): Desempenhou-se de forma comparável em alguns conjuntos de dados, mas degradou em outros, mostrando que mesmo com cinética correta, uma difusão expressiva é necessária.
• Só-Reação (Difusão Fixa): Piorou o desempenho significativamente (ex: o erro RM aumentou de 10,1 para 20,4), indicando que uma arquitetura de difusão fixa cria um gargalo no desempenho.
• Totalmente Neural: Substituir o catálogo de física por um módulo totalmente orientado a dados degradou consistentemente o desempenho, confirmando que os priors de reação baseados em física são indispensáveis sob dados de treinamento limitados.

5. Significância e Alegações

O artigo afirma que o LEADS consegue unir a lacuna entre a interpretabilidade dos modelos projetados por humanos e a automação da descoberta baseada em LLM. Ao restringir o agente de LLM a um espaço de ação estruturado e informado pelo domínio, o framework evita a instabilidade e a implausibilidade fisiológica da geração de código sem restrições, ao mesmo tempo em que elimina o trabalho e a rigidez do design manual.

Os autores enfatizam que o LEADS demonstra que a busca conjunta sobre um catálogo híbrido de física-neural é essencial para uma modelagem de EP cardíaca robusta. O framework alcança precisão competitiva em dados clínicos reais sem exigir conhecimento oracle das dinâmicas subjacentes, sugerindo um caminho viável para gêmeos digitais personalizados e escaláveis. Os autores observam que as limitações atuais incluem uma única geometria de malha cardíaca e um catálogo fixo, com trabalhos futuros planejados para estender o uso a configurações de múltiplas geometrias e diversos domínios fisiológicos.