LEADS框架：利用LLM智能体自动构建心脏电生理数字孪生，突破个性化建模瓶颈

构建个性化心脏电生理数字孪生是精准医疗领域的一项关键挑战，其核心难点在于如何为每位患者识别并构建最合适的数学模型结构，而不仅仅是拟合现有模型中的参数。传统的建模方法高度依赖领域专家的经验，需要人工预设混合物理方程与神经网络的架构，这不仅过程繁琐、对专家知识要求极高，而且难以在不同患者之间实现有效的迁移。近年来，随着大语言模型的兴起，部分研究尝试利用其生成或充当混合模型，尽管这些方法展现出了一定的泛化潜力，但由于缺乏针对心脏电生理特性的结构先验知识，往往导致模拟结果不稳定或不符合物理规律。针对这一痛点，本研究提出了LEADS框架，其核心贡献在于将心脏电生理领域的专业知识转化为结构化的动作空间，并引入大语言模型智能体来自主探索最优的混合模型结构。

这种方法不仅解放了人力，更通过智能化的搜索机制，实现了从"人工设计"到"智能发现"的范式转变，为复杂生物系统的建模提供了全新的自动化解决方案。在技术方法层面，LEADS框架设计了一个迭代式的推理与行动循环，使大语言模型智能体能够像研究人员一样思考。智能体在结构化的动作空间中，根据当前的模拟反馈，自主决定如何选择、组合以及细化混合模型的各个组件。这种机制允许智能体在保持模型物理可解释性的前提下，进行开放式的架构探索，从而发现人类专家可能忽略的创新结构。

与此同时，框架将参数拟合任务交由高效的梯度下降算法处理，实现了结构搜索与参数优化的解耦与协同。每一个候选模型在生成时都经过严格的设计约束，确保其具备物理 grounding（物理基础）、可解释性以及数值稳定性，避免了纯数据驱动方法常见的"黑箱"问题和数值发散风险。这种混合策略既保留了物理模型的可信度，又利用了神经网络的非线性拟合能力，从而在复杂的心电模拟中取得了更好的平衡。为了验证LEADS框架的有效性，研究团队在合成数据和真实心脏电生理数据上进行了广泛的实验评估。

在合成数据实验中，研究者设置了三种已知真实反应模型的基准，以测试框架在已知真理下的发现能力；在真实数据实验中，则使用了临床相关的心脏电生理记录。实验结果表明，LEADS自动发现的混合模型在预测精度和稳定性上，均显著优于由人类专家手工设计的传统混合模型，同时也超越了其他现有的基于大语言模型的混合建模方法。消融实验进一步揭示了结构化动作空间和迭代推理机制对最终性能的关键作用，证明了将领域知识嵌入智能体决策过程的重要性。这些结果不仅验证了LEADS在提升模型性能方面的优势，也展示了其在处理高维、非线性生物医学数据时的鲁棒性。

从行业意义与潜在影响来看，LEADS框架的提出对开源社区、工业落地及后续研究均具有深远意义。对于开源社区而言，该框架提供了一套可复现的、基于智能体的模型发现工具，降低了复杂生物物理建模的门槛，促进了跨学科的合作与创新。在工业落地方面，自动化的高效建模流程有望加速个性化心脏疾病诊断与治疗规划系统的开发，使数字孪生技术更广泛地应用于临床辅助决策。对于后续研究，LEADS证明了将领域知识结构化并融入大语言模型智能体的可行性，这一思路可推广至其他复杂的生物医学系统建模，如神经科学或药代动力学研究。它标志着人工智能从单纯的"模式识别"向"科学发现"迈出了重要一步，为构建更加智能、可信的数字孪生系统奠定了坚实基础。