抑郁症识别准确率全面领先！两阶段框架把症状判断准确率和F1都拉到最高
Candidate Generation and Definition-Guided Verification for Sentence-Level Depression Symptom Recognition
📖 AI 总结
该研究提出了一种两阶段框架，用于句子级别的抑郁症症状识别。第一阶段通过对比微调句子编码器生成症状候选，第二阶段利用微调语言模型结合句子、上下文和候选症状的诊断定义进行验证，并在回答前检查判断是否符合定义。在多个基线模型（包括编码器、推理模型、医学及通用大语言模型）和匹配的单阶段监督分类器的对比中，该框架在准确率和F1分数上均达到最优，且生成的推理依据与专家标注一致。初步临床审计显示其与诊断定义中度对齐，解释质量高度依赖预测正确性。研究支持将症状识别分解为候选生成和定义引导验证两个环节，但模型在罕见类别上的表现仍有限。
🔑 关键词速览
| Sentence-level depression symptom recognition | 句子级别的抑郁症症状识别，指从单个句子中识别出抑郁症相关症状的任务。 |
| Two-stage framework | 两阶段框架，将任务分解为候选生成和验证两个步骤的方法。 |
| Contrastively fine-tuned sentence encoder | 对比微调的句子编码器，通过对比学习调整的模型，用于生成句子表示。 |
| Definition-grounded verification | 基于定义的验证，指使用诊断定义来检查模型判断的过程。 |
| LLM baselines | 大型语言模型基线，指使用通用或医学大型语言模型作为比较基准。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅