摘要
构建个性化心脏电生理（EP）数字双胞胎需要为每位患者识别适当的模型结构，而不仅仅是拟合参数。传统方法依赖专家手动指定混合物理-神经架构，这需要深厚的领域专业知识，并且无法跨患者迁移。最近的研究已应用大型语言模型（LLMs）来生成或充当混合模型。然而，尽管这些基于LLM的方法具有良好的泛化能力，但它们缺乏稳定心脏仿真的结构先验。因此，我们提出了LEADS，一个将心脏EP领域知识形式化为结构化动作空间的框架，并利用LLM代理发现混合模型。
该代理遵循迭代推理与行动循环，选择、组合并精炼混合模型，同时使用梯度下降处理参数拟合。所提出的LEADS设计每个候选模型，旨在实现物理基础、可解释且数值稳定，同时允许开放式架构发现。我们在三个真实反应模型的合成数据和真实心脏EP数据上验证了LEADS，结果表明其优于人类设计的混合模型和其他基于LLM的混合建模方法。
博主点评：
LEADS框架通过结构化的动作空间和LLM代理的结合，开创了心脏电生理数字双胞胎的建模新方式。其在个性化医疗中的应用潜力不可小觑，尤其是在提供更准确的患者特征模型方面，值得进一步探索与推广。