論文の概要: Automated Multi-Label Annotation for Mental Health Illnesses Using Large Language Models

• arxiv url: http://arxiv.org/abs/2412.03796v1
• Date: Thu, 05 Dec 2024 01:33:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:41:15.425090
• Title: Automated Multi-Label Annotation for Mental Health Illnesses Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたメンタルヘルス障害に対するマルチラベル自動アノテーション
• Authors: Abdelrahaman A. Hassan, Radwa J. Hanafy, Mohammed E. Fouda,
• Abstract要約: うつ病や不安などの精神疾患はしばしば共起する。 ソーシャルメディアのデータセットは通常、シングルディオーダーラベルに重点を置いている。 本稿では,多言語多言語データセットを作成するために,データのクリーニング,サンプリング,ラベル付け,組み合わせを行う新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 0.9913418444556487
• License:
• Abstract: The growing prevalence and complexity of mental health disorders present significant challenges for accurate diagnosis and treatment, particularly in understanding the interplay between co-occurring conditions. Mental health disorders, such as depression and Anxiety, often co-occur, yet current datasets derived from social media posts typically focus on single-disorder labels, limiting their utility in comprehensive diagnostic analyses. This paper addresses this critical gap by proposing a novel methodology for cleaning, sampling, labeling, and combining data to create versatile multi-label datasets. Our approach introduces a synthetic labeling technique to transform single-label datasets into multi-label annotations, capturing the complexity of overlapping mental health conditions. To achieve this, two single-label datasets are first merged into a foundational multi-label dataset, enabling realistic analyses of co-occurring diagnoses. We then design and evaluate various prompting strategies for large language models (LLMs), ranging from single-label predictions to unrestricted prompts capable of detecting any present disorders. After rigorously assessing multiple LLMs and prompt configurations, the optimal combinations are identified and applied to label six additional single-disorder datasets from RMHD. The result is SPAADE-DR, a robust, multi-label dataset encompassing diverse mental health conditions. This research demonstrates the transformative potential of LLM-driven synthetic labeling in advancing mental health diagnostics from social media data, paving the way for more nuanced, data-driven insights into mental health care.
• Abstract（参考訳）: メンタルヘルス障害の流行と複雑性の増大は、正確な診断と治療、特に共起状態間の相互作用を理解する上で重要な課題を提示する。 うつ病や不安といった精神的な健康障害は、しばしば共起するが、ソーシャルメディアの投稿から派生した現在のデータセットは、通常は単一のディオーダーラベルに焦点を合わせ、包括的な診断分析における彼らの有用性を制限している。 本稿では,多言語多言語データセットを作成するために,データのクリーニング,サンプリング,ラベル付け,組み合わせを行う新しい手法を提案することにより,この重要なギャップを解消する。 本手法では,単一ラベルのデータセットを複数ラベルのアノテーションに変換する合成ラベリング手法を導入し,重なり合う精神状態の複雑さを捉える。 これを実現するために、2つのシングルラベルデータセットをまず基礎的なマルチラベルデータセットにマージし、共同診断の現実的な分析を可能にする。 そこで我々は,大規模言語モデル(LLM)の様々なプロンプト戦略を設計し,評価する。 複数のLSMとプロンプト構成を厳格に評価した後、最適な組み合わせを識別し、RMHDから追加で6つの単一ディオーダーデータセットにラベル付けする。 SPAADE-DRは、多様な精神状態を含む堅牢で多ラベルなデータセットである。 この研究は、ソーシャルメディアデータからメンタルヘルス診断を推し進め、より微妙でデータ駆動的なメンタルヘルスの洞察を得るための、LLM駆動の合成ラベリングのトランスフォーメーションの可能性を示す。

関連論文リスト

• Multimodal Data-Driven Classification of Mental Disorders: A Comprehensive Approach to Diagnosing Depression, Anxiety, and Schizophrenia [0.9297614330263184]
  本研究では、統合失調症、うつ病、不安などの精神疾患を診断するためのマルチモーダルデータ統合の可能性を検討する。 Apache Sparkと畳み込みニューラルネットワーク(CNN)を使用して、ビッグデータ環境のためのデータ駆動型分類パイプラインが開発された。 コヒーレンスの特徴の重要性は比較分析によって強調され、分類精度とロバスト性に大きな改善が見られた。
  論文  参考訳（メタデータ） (2025-02-06T10:30:13Z)
• LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
  LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。 本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。 実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
  論文  参考訳（メタデータ） (2025-01-07T08:49:04Z)
• Detecting anxiety and depression in dialogues: a multi-label and explainable approach [5.635300481123079]
  不安と抑うつは世界中で最も一般的なメンタルヘルスの問題であり、人口の非無視的な部分に影響を及ぼす。 本研究では、不安と抑うつの多ラベル分類のための全く新しいシステムを提案する。
  論文  参考訳（メタデータ） (2024-12-23T15:29:46Z)
• Personalized 2D Binary Patient Codes of Tissue Images and Immunogenomic Data Through Multimodal Self-Supervised Fusion [0.9374652839580183]
  MarbliXは、病理組織像と免疫ゲノムシークエンシングデータを統合し、それらを簡潔なバイナリー患者コードにカプセル化する革新的なフレームワークである。 実験の結果は、医療専門家に深い洞察を与えるMarbliXの可能性を示している。
  論文  参考訳（メタデータ） (2024-09-19T22:49:27Z)
• Using LLMs to Aid Annotation and Collection of Clinically-Enriched Data in Bipolar Disorder and Schizophrenia [9.804382916824245]
  本稿では、メンタルヘルス研究の強化を目的としたシーケンシャル・ツー・シークエンス・タスクにおける現代言語モデルの応用について述べる。 そこで本研究では,小モデルにおいて,ドメイン固有の臨床変数のアノテーション,メンタルヘルス機器のデータ収集が可能であること,そして,より優れた商用大規模モデルの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-06-18T15:00:24Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。