论文
经智能体发现混合结构学习心脏电生理数字孪生
Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure
摘要
构建个性化心脏电生理（EP）数字孪生需要为每位患者识别合适的模型结构——而非仅拟合参数。传统方法依赖专家手工规定混合物理-神经架构——这需要深厚领域专长且无法跨患者迁移。近期工作应用大语言模型（LLM）生成或充当混合模型——但尽管其泛化能力有前景——这些基于LLM的方法缺乏稳定心脏仿真所需的结构先验。因此——我们提出LEADS——把心脏EP领域知识形式化为结构化动作空间——并利用LLM智能体发现混合模型的框架。智能体遵循迭代推理-动作循环选择、组合并精炼混合模型——梯度下降处理参数拟合。所提LEADS把每个候选模型设计为物理锚定、可解释且数值稳定——同时允许开放式架构发现。我们在带三个真值反应模型的合成数据与真实心脏EP数据上验证LEADS——表明它超越人工设计的混合模型与其他基于LLM的混合建模。
