LEADS：基於智能體發現混合結構構建心臟電生理數位孿生

本研究提出名為LEADS的創新框架，旨在解決個人化心臟電生理數位孿生建構中模型結構選擇的難題。傳統方法依賴專家手動設計混合物理-神經網路架構，不僅耗時且難以泛化至不同患者；現有的基於大語言模型的方法雖具備一定泛化能力，卻缺乏穩定心臟模擬所需的結構先驗知識。LEADS將心臟電生理領域知識形式化為結構化的動作空間，利用大語言模型智能體進行迭代式推理與行動，自動發現、組合並優化混合模型結構，同時結合梯度下降進行參數擬合。該框架確保生成的模型具備物理可解釋性、數值穩定性及結構開放性。在合成資料與真實心臟電生理資料上的實驗表明，LEADS生成的混合模型在效能上顯著優於人工設計的模型及其他基於大語言模型的方法，為個人化醫療建模提供了新的自動化典範。