LLM-引导 ODE 发现和小队列聚合数据的参数推断

通过常微分方程 (ODE) 进行的机械建模提供了复杂动力学的可解释描述，并能够推断潜在机制，这在临床环境中特别有价值。然而，在罕见疾病中，模型的结构和参数通常都是未知的，而个体层面的数据稀缺、嘈杂、异构，并且受到隐私限制。在这种情况下，人口级别的汇总统计数据提供了实用的隐私保护数据表示，而捕获异质性还需要将参数建模为分布而不是固定值。然而，现有的方法还没有单独从汇总统计中共同发现 ODE 结构并细化参数分布。我们推出了 AgentODE，这是一个解决这一差距的端到端框架。 LLM 提出候选 ODE 结构，而工具增强推理代理通过诊断-更新循环迭代地细化参数分布，仅对总体级别的汇总统计进行操作。我们根据不同领域的三个基准问题和两个临床数据集评估了 AgentODE，其中包括罕见疾病隐性营养不良性大疱性表皮松解症 (RDEB)，仅对 46 名患者进行了 231 次观察。 AgentODE 在所有设置中恢复功能一致的 ODE 结构，RDEB 上的实验表明，在稀疏和嘈杂的数据设置中，根据汇总统计进行推理可以促进机械原理的结构发现，而具有个体级数据访问的基线尽管具有更好的预测性能，但仍会恢复难以置信的结构。 AgentODE 为直接从人口层面的汇总统计数据中对罕见疾病进行机制建模开辟了新的可能性，而数据稀缺和隐私限制传统上限制了此类分析。