論文の概要: MDD-Thinker: Towards Large Reasoning Models for Major Depressive Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2509.24217v1
• Date: Mon, 29 Sep 2025 02:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.707634
• Title: MDD-Thinker: Towards Large Reasoning Models for Major Depressive Disorder Diagnosis
• Title（参考訳）: MDD-Thinker:大うつ病診断のための大規模推論モデルに向けて
• Authors: Yuyang Sha, Hongxin Pan, Gang Luo, Caijuan Shi, Jing Wang, Kefeng Li,
• Abstract要約: 大うつ病 (Major depressive disorder, MDD) は、世界的障害の主要な原因である。 現在の診断アプローチは、しばしば主観的評価に依存し、臨床情報を統合する能力が欠如している。 我々はMDD-Thinkerを開発した。MDD-Thinkerは、教師付き微調整(SFT)と強化学習(RL)を統合し、推論能力と解釈可能性を高める。
• 参考スコア（独自算出の注目度）: 3.2986206562794234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background Major depressive disorder (MDD) is a leading cause of global disability, yet current diagnostic approaches often rely on subjective assessments and lack the ability to integrate multimodal clinical information. Large language models (LLMs) hold promise for enhancing diagnostic accuracy through advanced reasoning but face challenges in interpretability, hallucination, and reliance on synthetic data. Methods We developed MDD-Thinker, an LLM-based diagnostic framework that integrates supervised fine-tuning (SFT) with reinforcement learning (RL) to strengthen reasoning ability and interpretability. Using the UK Biobank dataset, we generated 40,000 reasoning samples, supplemented with 10,000 samples from publicly available mental health datasets. The model was fine-tuned on these reasoning corpora, and its diagnostic and reasoning performance was evaluated against machine learning, deep learning, and state-of-the-art LLM baselines. Findings MDD-Thinker achieved an accuracy of 0.8268 and F1-score of 0.8081, significantly outperforming traditional baselines such as SVM and MLP, as well as general-purpose LLMs. Incorporating both SFT and RL yielded the greatest improvements, with relative gains of 29.0% in accuracy, 38.1% in F1-score, and 34.8% in AUC. Moreover, the model demonstrated comparable reasoning performance compared to much larger LLMs, while maintaining computational efficiency. Interpretation This study presents the first reasoning-enhanced LLM framework for MDD diagnosis trained on large-scale real-world clinical data. By integrating SFT and RL, MDD-Thinker balances accuracy, interpretability, and efficiency, offering a scalable approach for intelligent psychiatric diagnostics. These findings suggest that reasoning-oriented LLMs can provide clinically reliable support for MDD detection and may inform broader applications in mental health care.
• Abstract（参考訳）: 背景 主要なうつ病 (MDD) は世界的な障害の主要な原因であるが、現在の診断手法は主観的評価に頼り、マルチモーダルな臨床情報を統合する能力に欠けることが多い。 大規模言語モデル(LLM)は、高度な推論による診断精度の向上を約束するが、解釈可能性、幻覚、合成データへの依存といった課題に直面している。 MDD-Thinkerは、教師付き微調整(SFT)と強化学習(RL)を統合し、推論能力と解釈可能性を強化する。 UK Biobankのデータセットを使用して、公開されているメンタルヘルスデータセットから1万のサンプルを補足した4万の推論サンプルを生成しました。 モデルはこれらの推論コーパスに基づいて微調整され、その診断と推論性能は機械学習、ディープラーニング、最先端のLCMベースラインに対して評価された。 MDD-Thinker の精度は 0.8268 と F1 スコア 0.8081 であり、SVM や MLP などの従来のベースラインや汎用 LLM よりも大幅に優れていた。 SFTとRLの両方を組み込むことで、精度は29.0%、F1スコアは38.1%、AUCは34.8%向上した。 さらに、このモデルは計算効率を保ちながら、より大きなLCMと比較した推論性能を示した。 本研究は,大規模臨床データを用いたMDD診断のためのLCMフレームワークを初めて提示する。 SFTとRLを統合することで、MDD-Thinkerは精度、解釈可能性、効率のバランスをとり、インテリジェントな精神医学診断のためのスケーラブルなアプローチを提供する。 これらの結果から,理学療法指向のLSMはMDD検出に対する臨床的に信頼性の高いサポートを提供し,メンタルヘルスの幅広い応用を通知できる可能性が示唆された。

関連論文リスト

• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• CANDLE: A Cross-Modal Agentic Knowledge Distillation Framework for Interpretable Sarcopenia Diagnosis [3.0245458192729466]
  CANDLEは、解釈可能性と性能のトレードオフを緩和し、予測精度を高め、高い決定一貫性を維持する。 このフレームワークは、TMLモデルの知識アセット化に対するスケーラブルなアプローチを提供し、サルコピアおよび潜在的に広い医療領域における解釈可能、再現可能、および臨床的に整合した意思決定支援を可能にする。
  論文  参考訳（メタデータ） (2025-07-26T15:50:08Z)
• ChestX-Reasoner: Advancing Radiology Foundation Models with Reasoning through Step-by-Step Verification [57.22053411719822]
  ChestX-Reasoner(チェストX-Reasoner)は、臨床報告から直接採掘されるプロセスの監督を活用するために設計された放射線診断MLLMである。 我々の2段階のトレーニングフレームワークは、モデル推論と臨床標準との整合性を高めるために、プロセス報酬によって指導された教師付き微調整と強化学習を組み合わせる。
  論文  参考訳（メタデータ） (2025-04-29T16:48:23Z)
• MDD-LLM: Towards Accuracy Large Language Models for Major Depressive Disorder Diagnosis [6.678959700861993]
  大うつ病(MDD)は世界中で3億人以上に影響し、公衆衛生上の重大な問題となっている。 本稿では,MDD診断における課題に対処するために,細調整された大規模言語モデル(LLM)と広範囲な実世界のサンプルを利用するAI駆動型フレームワークであるMDD-LLMを提案する。
  論文  参考訳（メタデータ） (2025-04-28T08:53:55Z)
• Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
  MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。 本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。 このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
  論文  参考訳（メタデータ） (2025-03-06T18:35:39Z)
• Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling [2.466324275447403]
  救急部門(ED)は精神状態の回復が大きな医療負担となり、患者の24-27%が30日以内に帰国する。 大規模言語モデル(LLM)と機械学習を統合することにより、EDメンタルヘルスリターンリスクモデルの予測精度と臨床的解釈性が向上するか否かを評価する。
  論文  参考訳（メタデータ） (2025-01-21T15:41:20Z)
• 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)

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。