🤖 AI

Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure

本文介绍了 LEADS，这是一个利用大语言模型自动发现并优化具有物理基础且可解释的混合心脏电生理数字孪生体的智能体框架，其性能优于传统的专家设计模型及现有的基于大语言模型的方法。

原作者： Ziqi Zhou, Yubo Ye, Sumeet Atul Vadhavka, Linwei Wang, Zhiqiang Tao

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Ziqi Zhou, Yubo Ye, Sumeet Atul Vadhavka, Linwei Wang, Zhiqiang Tao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你的心脏是一座复杂的城市，电力在街道中流动以维持灯火通明。有时，电网会变得混乱，导致停电或不稳定的闪烁（心律失常）。为了修复这些问题，医生需要一个完美的“数字孪生”——一个针对你特定心脏的虚拟、个性化模拟系统。

问题在于，每个“心脏城市”的构造都各不相同。有些拥有宽阔的大道，有些则是狭窄的小巷，还有些因为过去的损伤而留下了坑洼（瘢痕）。

旧方法：大师级建筑师

传统上，构建这种数字孪生就像雇佣一位大师级建筑师，他必须为每一位患者手动绘制蓝图。

专家的工作： 专家必须猜测哪些数学公式（即“物理规律”）描述了电力的传播方式，以及哪些公式描述了心肌细胞如何反应。
缺陷： 这种方式既缓慢又昂贵，且需要拥有心脏病学博士学位。更糟糕的是，适用于患者 A 的蓝图在患者 B 身上往往会完全失效，因为每个“城市”的规则略有不同。

新问题：AI 西部荒野

最近，科学家们尝试使用一种超级智能的 AI（大语言模型）来自动编写这些心脏模型的代码。

想法： 让 AI 随心所欲地“梦幻”出任何它想要的程序代码。
结果： AI 变得过于“有创意”了，它创造出了不存在的物理定律，比如电流倒流，或者心肌细胞爆炸。模拟过程崩溃或产生了荒谬的结果，因为 AI 并不知道跳动心脏的基本“交通规则”。

解决方案：LEADS（智能城市规划师）

该论文的作者创建了一个名为 LEADS 的新系统。你可以将 LEADS 想象成一位非常专业、拥有有序工具箱的智能城市规划师。

LEADS 并不是让 AI 从零开始编写代码，而是给 AI 一个结构化的目录，其中包含了预先批准的构建模块：

“扩散”目录： 这些是关于电力如何传播的工具（例如，在高速公路、地方道路或图网络之间进行选择）。
“反应”目录： 这些是经过验证、安全的公式，用于描述心肌细胞如何反应（例如，在标准引擎、涡轮引擎或混合动力引擎之间进行选择）。

LEADS 如何运作：“尝试、思考、修正”循环

LEADS 使用一个 AI 代理（Agent）来扮演像侦探解谜一样的角色，遵循观察、思考和行动的循环：

观察： 代理尝试一种组合（例如，“高速公路 + 标准引擎”）并运行模拟。它观察结果：“它是否匹配了患者真实的内心数据？它是否过拟合（过度拟合）了？”
思考： 代理对错误进行推理。“啊，模拟太简单了，无法捕捉复杂的曲线。或者也许它太复杂了，开始记忆噪声。”
行动： 代理从目录中挑选新的工具。
- 选择： “让我们把标准引擎换成涡轮引擎。”
- 精炼： “让我们微调涡轮引擎的设置。”
- 简化： “这太复杂了，让我们移除一层。”
- 修改： “让我们稍微改变一下‘高速公路’的代码，让它更平滑一些。”

AI 会不断进行这个循环，通过更换和微调各个部分，直到找到最适合该特定患者心脏的完美“混合”模型。

结果：他们的发现

研究人员在两种类型的数据上进行了测试：

合成数据（假数据）： 他们创建了具有已知“秘密配方”（地面真值）的计算机心脏。
- 获胜者： LEADS 推导出了这些秘密配方，并构建出的模型比人类专家的手动设计更加准确。
- 失败者： “西部荒野”式的 AI（HDTwinGen）完全失败了；它甚至无法让模拟中的心脏跳动起来。
真实数据（犹他数据集）： 他们在真实的动物心脏记录上进行了测试。
- 获胜者： LEADS 发现的模型在预测心脏电活动时机方面，几乎达到了人类设计的最佳模型的水平，但它是自动完成的，无需人类预先猜测其结构。

核心结论

LEADS 是人类知识与 AI 自动化之间的桥梁。它并没有让 AI 肆意妄为；相反，它为 AI 提供了一个结构化的游乐场，让 AI 可以在其中安全地实验并学习构建最佳个性化心脏模型的方法。它证明了你不再需要人类专家来手动设计每一个心脏模型；你只需要一个拥有正确规则手册的 AI 代理，就能为你发现设计方案。

技术摘要：LEADS —— 通过智能体驱动的结构发现学习电生理混合模型

1. 问题陈述

构建个性化的心脏电生理（EP）数字孪生对于临床应用（如指导导管消融、评估猝死风险以及进行原位药物测试）至关重要。然而，构建准确的模型具有挑战性，因为心脏电传导是一个反应-扩散系统，其中扩散组件（波前传播）和反应组件（局部离子动力学）都会因组织特性、纤维化和疾病状态而随患者个体差异显著变化。

目前的方法面临着权衡：

人工设计的混合模型： 专家手动选择反应模型（例如 Aliev-Panfilov）和扩散算子，然后进行参数拟合。虽然具有可解释性，但这一过程耗时耗力，需要深厚的领域专业知识，且固定的架构往往难以迁移到不同的患者身上。
无约束的基于 LLM 的方法： 最近的研究（如 HDTwinGen）使用大语言模型（LLM）生成任意的混合模型代码。尽管在处理通用动力系统方面具有前景，但这些方法缺乏心脏电生理所需的结构先验。它们经常无法产生具有生理学合理性的输出或稳定的 ODE 积分，因为生成的代码空间是无约束的。
直接使用 LLM 作为数字孪生： 直接将 LLM 作为模型会牺牲临床信任所要求的数学透明度和物理可解释性。

核心问题在于缺乏一种能够自动发现合适的模型结构（而非仅仅是拟合参数）的方法，同时该方法还必须遵循实现稳定心脏模拟所需的强结构先验。

2. 方法论：LEADS 框架

作者提出了 LEADS（通过智能体驱动的结构发现学习电生理混合模型），该框架将心脏电生理领域知识形式化为一个结构化的动作空间，并利用 LLM 智能体在该空间中进行导航。

核心架构

LEADS 运行在定义在离散心脏网格 $G$ 上的反应-扩散 ODE 系统上：
$\frac{du}{dt} = D(u, G) + R_u(u, v)$
$\frac{dv}{dt} = R_v(u, v)$
其中 $u$ 是跨膜电位， $v$ 是恢复变量， $D$ 控制扩散， $R$ 代表离子反应动力学。

智能体循环

系统采用 LLM 智能体（具体为 Gemini-2.5-Flash）执行迭代的**观察-思考-行动（Observe-Think-Act）**循环：

结构化动作空间： 智能体并非生成任意代码，而是从精选的目录中进行选择：
- 扩散目录： 包含从简单的均值聚合到复杂的图注意力网络（GAT）和边缘 MLP 等神经架构。
- 反应目录： 包含成熟的基于物理学的离子模型（例如 Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer）。
解耦决策： 在每一步中，智能体做出两个决策：
- 反应选择： 从目录中选择一个特定的物理驱动反应模型。
- 扩散操作： 选择以下四种操作之一：
  - 选择 (Select)： 从目录中选择一个新的架构。
  - 精炼 (Refine)： 调整当前扩散模块的超参数（如隐藏层维度、层数）。
  - 修改 (Modify)： 自由编辑底层代码以创建超出模板的结构变体。
  - 简化 (Simplify)： 通过降低复杂度来缓解过拟拟合。
推理与反馈： 智能体观察过往候选模型的存档（验证损失、训练曲线），针对性能问题（如过拟合、容量不足）进行推理，并提出新的混合结构。
参数拟合： 对于智能体提出的每一个候选模型，通过梯度下降来拟合可学习参数 ( $\theta, \phi$ )，以最小化轨迹误差。智能体负责结构发现；梯度下降负责参数优化。

当动作预算耗尽或达到收敛时，过程终止，并返回表现最好的模型。

3. 核心贡献

自动化架构发现： 一种基于 LLM 智能体的创新方案，用于构建个性化心脏 EP 数字孪生，消除了由领域专家进行手动架构设计需求。
结构化混合动作空间： 引入了 LEADS，它将 LLM 推理与基于领域的目录相结合。这种方式将物理先验编码为可组合的构建模块，在允许开放式架构发现的同时，确保了搜索效率和物理可解释性。
在合成数据与真实数据上的验证： 证明了 LEADS 在无需了解底层心脏动力学先验知识的情况下，其表现优于人工设计的混合模型和无约束的 LLM 方法。

4. 实验结果

合成数据实验

该框架在由三种基准反应模型（Aliev-Panfilov, Rogers-McCulloch, Mitchell-Schaeffer）生成的合成跨膜电位（TMP）轨迹上进行了测试。

性能： LEADS 实现了优异的平均均方误差（MSE）26.7 ( $\times 10^{-3}$ ），优于人工设计的混合模型（37.6），并显著优于无约束的 HDTwinGen（416.3），后者甚至无法产生心脏激活。
结构识别： 尽管缺乏先验知识，LEADS 正确识别了所有三个数据集的基准反应模型，并优化了神经扩散组件，以准确重现激活时间（AT）波前模式。

真实数据实验

使用来自 Utah 数据集（动物模型）的真实心内膜电图（EGM）记录进行验证。

指标： 使用测试平均激活时间（AT）误差进行评估。
结果： LEADS 实现了 5.52 的 AT 误差，优于表现最好的人工设计混合模型（5.64）。虽然已知反应模型的物理模型（Oracle Physics-Based model）达到了 3.42，但 LEADS 能够自主接近这一性能。
定性分析： AT 图谱显示，LEADS 生成的激活模式平滑，与基准真值相比更符合实际，而人工设计的混合模型则表现出明显的激活时间延迟。

消融研究

仅扩散（固定反应）： 在某些数据集上表现相当，但在其他数据集上性能下降，表明即使动力学正确，高表达性的扩散也是必要的。
仅反应（固定扩散）： 性能显著恶化（例如，RM 误差从 10.1 增加到 20.4），表明固定的扩散架构限制了性能。
全神经化： 用纯数据驱动模块替换物理目录会导致性能持续下降，证实了在有限训练数据下，基于物理的反应先验是不可或缺的。

5. 重要性与主张

本文声称 LEADS 成功弥合了人工设计模型的解释性与 LLM 驱动的自动化发现之间的鸿沟。通过将 LLM 智能体约束在结构化的、具备领域知识的动作空间内，该框架避免了无约束代码生成带来的不稳定性和生理学不合理性，同时也消除了手动设计的繁琐与僵化。

作者强调，LEADS 表明在混合物理-神经目录上进行联合搜索对于稳健的心脏 EP 建模至关重要。该框架在不需要底层动力学先验知识的情况下，在真实的临床数据上达到了极具竞争力的精度，这为实现可扩展的个性化数字孪生提供了一条可行路径。作者指出，目前的局限性包括单一的心脏网格几何形状和固定的目录，未来的工作计划将其扩展到多几何设置和多样化的生理领域。