論文の概要: Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure

• arxiv url: http://arxiv.org/abs/2606.18154v1
• Date: Tue, 16 Jun 2026 16:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.55767
• Title: Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure
• Title（参考訳）: ハイブリッド構造のエージェント発見による心電気生理学デジタル双生児の学習
• Authors: Ziqi Zhou, Yubo Ye, Sumeet Atul Vadhavka, Linwei Wang, Zhiqiang Tao,
• Abstract要約: 心電気生理学領域の知識を構造化行動空間として定式化するフレームワークであるLEADSを提案する。 提案したLEADSは、全ての候補モデルを物理的に接地し、解釈可能で、数値的に安定に設計する。 LEADSは3つの基底構造反応モデルと実際の心EPデータを用いて合成データに対して検証する。
• 参考スコア（独自算出の注目度）: 23.903602726106886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building personalized cardiac electrophysiology (EP) digital twins requires identifying the appropriate model structure for each patient, not merely fitting parameters. Traditional methods rely on experts to manually prescribe hybrid physics-neural architectures, which requires deep domain expertise and does not transfer across patients. Recent works have applied large language models (LLMs) to generate or act as hybrid models. However, despite their promising generalization capacity, these LLM-based methods lack the structural priors needed for stable cardiac simulations. Hence, we propose LEADS, a framework that formulates cardiac EP domain knowledge as a structured action space and utilizes an LLM agent to discover hybrid models. The agent follows an iterative reasoning-and-action loop to select, combine, and refine hybrid models, whilst gradient descent handles parameter fitting. The proposed LEADS designs every candidate model towards physically grounded, interpretable, and numerically stable, while allowing open-ended architectural discovery. We validate LEADS on synthetic data with three ground-truth reaction models and on real cardiac EP data, demonstrating that it outperforms both human-designed hybrid models and other LLM-based hybrid modeling.
• Abstract（参考訳）: パーソナライズされた心電気生理学(EP)デジタル双生児を構築するには、単にパラメータを適合させるだけでなく、各患者に適切なモデル構造を特定する必要がある。 従来の方法では、専門家が手動でハイブリッドな物理-神経アーキテクチャを処方することに依存しており、それは深いドメインの専門知識を必要とし、患者間での移動を必要としない。 最近の研究は、大規模言語モデル(LLM)をハイブリッドモデルの生成や機能に応用している。 しかし、その有望な一般化能力にもかかわらず、これらのLCMベースの手法は安定した心臓シミュレーションに必要な構造的前提を欠いている。 そこで我々は、心EPドメインの知識を構造化されたアクション空間として定式化し、LLMエージェントを用いてハイブリッドモデルを発見するフレームワークであるLEADSを提案する。 エージェントは反復的推論とアクションのループに従ってハイブリッドモデルを選択し、組み合わせ、洗練し、勾配降下はパラメータフィッティングを処理する。 提案したLEADSは、物理的に接地し、解釈可能で、数値的に安定な全ての候補モデルを設計し、オープンなアーキテクチャ発見を可能にした。 3つの地中構造反応モデルと実心EPデータを用いた合成データ上でのLEADSの有効性を検証し,人間の設計したハイブリッドモデルと他のLLMに基づくハイブリッドモデルよりも優れていることを示した。

関連論文リスト

• HAPI-EP: Towards Hybrid, Adaptive, and Predictive Digital Twins of Cardiac Electrophysiology [12.356395656399064]
  HAPIはハイブリッドで適応的で予測可能なDTを構築するためのAIフレームワークである。 HAPIの機械的ニューラルハイブリダイゼーションと予測適応は、特定可能なDTを得る上で重要であることを示す。
  論文  参考訳（メタデータ） (2026-06-14T06:59:55Z)
• Expressivity-Efficiency Tradeoffs for Hybrid Sequence Models [50.45915413315706]
  非ハイブリッドモデルに対する基本的な制限の存在を証明する。 我々は,これらの課題を確実に解決する,小さなサイズと作業メモリのハイブリッドモデルを構築した。 さらに,ハイブリッドモデルが非ハイブリッドモデルよりも長大化および分布外堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2026-03-09T19:20:01Z)
• Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling [5.007023403094322]
  メカニスティックリガーとデータ駆動の柔軟性を橋渡しするSciML(SciML)フレームワークを提案する。 1) 薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2) 生理的制約付き拡散モデル(PCDM),(3) 生物学的に適合した仮想患者集団を合成するための物理インフォームドロスを用いた生成アプローチ,(3) ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャであるニューラルアロメトリー,などを紹介する。
  論文  参考訳（メタデータ） (2026-02-09T00:26:01Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
  本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。 そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T02:30:00Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Hybrid modeling of the human cardiovascular system using NeuralFMUs [0.0]
  ハイブリッドなモデリングプロセスは、より快適で、システム知識を必要とせず、第一原理に基づくモデリングに比べてエラーの少ないことが示される。 結果として得られたハイブリッドモデルは、純粋な第一原理のホワイトボックスモデルに比べて計算性能が向上した。 考慮されたユースケースは、医療領域内外における他のモデリングおよびシミュレーションアプリケーションの例として機能する。
  論文  参考訳（メタデータ） (2021-09-10T13:48:43Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。