論文の概要: Probabilistic Textual Time Series Depression Detection

• arxiv url: http://arxiv.org/abs/2511.04476v1
• Date: Thu, 06 Nov 2025 15:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.486183
• Title: Probabilistic Textual Time Series Depression Detection
• Title（参考訳）: 確率的テキスト時系列デプレッション検出
• Authors: Fabian Schmidt, Seyedehmoniba Ravan, Vladimir Vlassov,
• Abstract要約: PTTSDは、発話レベルの臨床インタビューからPHQ-8のスコアを予測し、時間とともに不確実性をモデル化する。 PTTSDはテキストのみのシステム間で最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 0.4164728134421114
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate and interpretable predictions of depression severity are essential for clinical decision support, yet existing models often lack uncertainty estimates and temporal modeling. We propose PTTSD, a Probabilistic Textual Time Series Depression Detection framework that predicts PHQ-8 scores from utterance-level clinical interviews while modeling uncertainty over time. PTTSD includes sequence-to-sequence and sequence-to-one variants, both combining bidirectional LSTMs, self-attention, and residual connections with Gaussian or Student-t output heads trained via negative log-likelihood. Evaluated on E-DAIC and DAIC-WOZ, PTTSD achieves state-of-the-art performance among text-only systems (e.g., MAE = 3.85 on E-DAIC, 3.55 on DAIC) and produces well-calibrated prediction intervals. Ablations confirm the value of attention and probabilistic modeling, while comparisons with MentalBERT establish generality. A three-part calibration analysis and qualitative case studies further highlight the interpretability and clinical relevance of uncertainty-aware forecasting.
• Abstract（参考訳）: うつ病重症度の正確な予測は臨床診断支援に不可欠であるが、既存のモデルでは不確実性の推定や時間的モデリングが欠如していることが多い。 PHQ-8 スコアを発話レベルの臨床面接から予測し,不確実性をモデル化する確率的テキスト時系列圧縮検出フレームワーク PTTSD を提案する。 PTTSDにはシーケンス・ツー・シーケンスとシーケンス・ツー・ワンのバリエーションが含まれており、双方向LSTM、自己アテンション、および負の対数様態で訓練されたガウスまたは学生t出力ヘッドとの残差接続を組み合わせている。 E-DAICとDAIC-WOZで評価され、PTTSDはテキストのみのシステム(例えば、E-DAICではMAE = 3.85、DAICでは3.55、DAICでは3.55)で最先端の性能を達成し、よく校正された予測間隔を生成する。 アブレーションは注意力と確率的モデリングの価値を確認し、MentalBERTとの比較は一般性を確立している。 3段階の校正分析と定性ケーススタディにより、不確実性認識予測の解釈可能性と臨床的関連性がさらに強調された。

関連論文リスト

• Building the EHR Foundation Model via Next Event Prediction [5.378917071184147]
  Next Event Prediction(NEP)は、大規模言語モデルの時間的推論を強化するフレームワークである。 NEPは、疾患進行パターンと因果関係を明示的にモデル化する。 解析の結果,最先端の予測精度と臨床的に解釈可能な注意パターンの2つの利点が明らかになった。
  論文  参考訳（メタデータ） (2025-09-29T23:27:51Z)
• Reading Between the Lines: Combining Pause Dynamics and Semantic Coherence for Automated Assessment of Thought Disorder [8.239710313549466]
  本研究では,ポーズ機能と3つのデータセット間のセマンティックコヒーレンスメトリクスを統合する。 重要な発見は、停止機能だけで形式的思考障害(FTD)の重症度を確実に予測できることである。 これらの結果から,時間的分析と意味的分析を組み合わせたフレームワークが,非編成音声の評価を洗練するためのロードマップを提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-07-17T22:00:16Z)
• Interpretable Hybrid-Rule Temporal Point Processes [10.869259122569616]
  時間的ポイントプロセス(TPP)は、様々な医療領域におけるイベントシーケンスのモデル化に広く用いられている。 近年、解釈可能なTPPを導入しているが、これらの手法は数値的特徴を取り入れていない。 本稿では,時間論理ルールと数値的特徴を統合する新しいフレームワークであるHybrid-Rule Temporal Point Processes (HRTPP)を提案する。
  論文  参考訳（メタデータ） (2025-04-15T16:15:16Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)

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。