論文の概要: Few-Shot Learning for Mental Disorder Detection: A Continuous Multi-Prompt Engineering Approach with Medical Knowledge Injection

• arxiv url: http://arxiv.org/abs/2401.12988v2
• Date: Fri, 14 Mar 2025 01:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:04:45.122441
• Title: Few-Shot Learning for Mental Disorder Detection: A Continuous Multi-Prompt Engineering Approach with Medical Knowledge Injection
• Title（参考訳）: 精神障害検出のためのFew-Shot Learning:医療知識注入による連続的マルチプロンプト工学的アプローチ
• Authors: Haoxin Liu, Wenli Zhang, Jiaheng Xie, Buomsoo Kim, Zhu Zhang, Yidong Chai, Sudha Ram,
• Abstract要約: 本研究では、現在最先端のAI技術を用いて、ユーザーが生成したテキストコンテンツを通して精神疾患を検出する。 本稿では,大規模言語モデルと連続的マルチプロンプト工学を活用することで,これらの課題に対処する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.913054876743729
• License:
• Abstract: This study harnesses state-of-the-art AI technology for detecting mental disorders through user-generated textual content. Existing studies typically rely on fully supervised machine learning, which presents challenges such as the labor-intensive manual process of annotating extensive training data for each research problem and the need to design specialized deep learning architectures for each task. We propose a novel method to address these challenges by leveraging large language models and continuous multi-prompt engineering, which offers two key advantages: (1) developing personalized prompts that capture each user's unique characteristics and (2) integrating structured medical knowledge into prompts to provide context for disease detection and facilitate predictive modeling. We evaluate our method using three widely prevalent mental disorders as research cases. Our method significantly outperforms existing methods, including feature engineering, architecture engineering, and discrete prompt engineering. Meanwhile, our approach demonstrates success in few-shot learning, i.e., requiring only a minimal number of training examples. Moreover, our method can be generalized to other rare mental disorder detection tasks with few positive labels. In addition to its technical contributions, our method has the potential to enhance the well-being of individuals with mental disorders and offer a cost-effective, accessible alternative for stakeholders beyond traditional mental disorder screening methods.
• Abstract（参考訳）: 本研究では、現在最先端のAI技術を用いて、ユーザーが生成したテキストコンテンツを通して精神疾患を検出する。 既存の研究は通常、完全に教師された機械学習に依存しており、各研究問題に対する広範なトレーニングデータを注釈付けする労働集約的なマニュアルプロセスや、タスクごとに専門的なディープラーニングアーキテクチャを設計する必要性といった課題を提示している。 本研究では,大きな言語モデルと連続的マルチプロンプト工学を活用することでこれらの課題に対処する新しい手法を提案する。(1)個々のユーザの特徴を捉えたパーソナライズされたプロンプトを開発すること,(2)構造化された医療知識を病状検出のコンテキストを提供するプロンプトに統合し,予測モデリングを促進すること,である。 本研究は,広範に普及している3つの精神疾患を研究事例として評価する。 提案手法は, 特徴工学, 建築工学, 離散的プロンプト工学など, 既存の手法を著しく上回っている。 一方,本手法では,最小限のトレーニング例しか必要とせず,数発の学習の成功を示す。 また,本手法は,他の稀な精神障害検出タスクに一般化できるが,正のラベルは少ない。 本手法は, 技術的貢献に加えて, 精神障害者の幸福感を高める可能性があり, 従来の精神障害スクリーニング法を超える利害関係者に, 費用対効果, アクセス可能な代替手段を提供する。

関連論文リスト

• Deep Insights into Cognitive Decline: A Survey of Leveraging Non-Intrusive Modalities with Deep Learning Techniques [0.5172964916120903]
  本研究は、ディープラーニング技術を用いて認知低下推定作業を自動化する最も関連性の高い手法についてレビューする。 トランスフォーマーアーキテクチャやファンデーションモデルのような最先端のアプローチを含む、各モダリティと方法論の重要な特徴と利点について論じる。 ほとんどの場合、テキストのモダリティは最良の結果を得ることができ、認知の低下を検出するのに最も関係がある。
  論文  参考訳（メタデータ） (2024-10-24T17:59:21Z)
• Evaluation of OpenAI o1: Opportunities and Challenges of AGI [112.0812059747033]
  o1-previewは目覚ましい能力を示し、しばしば人間レベルまたは優れたパフォーマンスを実現した。 このモデルは、様々な分野にわたる複雑な推論と知識の統合を必要とするタスクに優れていた。 総合的な結果は、人工知能への大きな進歩を示している。
  論文  参考訳（メタデータ） (2024-09-27T06:57:00Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Determining the Difficulties of Students With Dyslexia via Virtual Reality and Artificial Intelligence: An Exploratory Analysis [0.0]
  VRAIlexiaプロジェクトは、この問題を解決するために、2つの異なるツールを提案している。 最初のものは、特定の心理学的・心理学的テストの実施のために、高等教育機関(Higher Education Institutions)のディプレックス学の学生の間で作成され、配布されている。 第2のツールは、アプリケーションやその他の調査を通じて収集されたデータに、特定の人工知能アルゴリズムを適用する。
  論文  参考訳（メタデータ） (2024-01-15T20:26:09Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Collaborative Graph Learning with Auxiliary Text for Temporal Event Prediction in Healthcare [16.40827965484983]
  患者と患者の相互作用と医療領域の知識を探るための協調グラフ学習モデルを提案する。 私達の解決は患者および病気の構造特徴を捕獲できます。 提案手法の競合予測性能を示すために, 2つの重要な医療問題の実験を行った。
  論文  参考訳（メタデータ） (2021-05-16T23:11:11Z)
• A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
  AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。 慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
  論文  参考訳（メタデータ） (2020-08-14T11:19:32Z)

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。