하이브리드 구조의 에이전트 기반 탐색을 통한 심장 전기생리학 디지털 트윈 학습

개인화된 심장 전기생리학 (EP) 디지털 트윈을 구축하기 위해서는 단순히 파라미터를 맞추는 것이 아니라, 각 환자에게 적합한 모델 구조를 식별해야 합니다. 전통적인 방법은 전문가가 수동으로 하이브리드 물리-신경 아키텍처 (hybrid physics-neural architectures)를 규정하는 데 의존하며, 이는 깊은 도메인 전문 지식을 요구하고 환자 간에 전이되지 않습니다. 최근 연구들은 대규모 언어 모델 (LLMs)을 적용하여 하이브리드 모델을 생성하거나 모델로서 동작하게 했습니다. 그러나 이러한 LLM 기반 방법들은 유망한 일반화 능력을 갖추었음에도 불구하고, 안정적인 심장 시뮬레이션에 필요한 구조적 사전 지식 (structural priors)이 부족합니다. 이에 따라, 우리는 심장 EP 도메인 지식을 구조화된 행동 공간 (action space)으로 공식화하고 LLM 에이전트를 활용하여 하이브리드 모델을 발견하는 프레임워크인 LEADS를 제안합니다. 에이전트는 반복적인 추론-행동 (reasoning-and-action) 루프를 따라 하이브리드 모델을 선택, 결합 및 정제하며, 경사 하강법 (gradient descent)이 파라미터 피팅을 처리합니다. 제안된 LEADS는 모든 후보 모델이 물리적으로 근거가 있고, 해석 가능하며, 수치적으로 안정적이도록 설계하는 동시에 개방형 아키텍처 탐색을 허용합니다. 우리는 세 가지 정답 반응 모델 (ground-truth reaction models)이 포함된 합성 데이터와 실제 심장 EP 데이터에서 LEADS를 검증하였으며, 이를 통해 LEADS가 인간이 설계한 하이브리드 모델 및 다른 LLM 기반 하이브리드 모델링보다 성능이 우수함을 입증했습니다.