論文の概要: Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation

• arxiv url: http://arxiv.org/abs/2607.15202v1
• Date: Thu, 16 Jul 2026 16:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.180484
• Title: Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation
• Title（参考訳）: 説明可能な抑うつ症状アノテーションのための自己進化型人間中心型フレームワーク
• Abstract要約: 本稿では,MDD(Major Depressive Disorder)のための自己進化型エキスパート・ザ・ループアノテーションフレームワークを提案する。 大型言語モデル(LLM)によるラベル付けと専門家による検証を併用する。 テキストレコードから候補エビデンスを選択すること、基準レベルのDSM-5-TR分析、ケースレベルの合成である。
• 参考スコア（独自算出の注目度）: 1.4272396412229078
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Annotation quality is a major bottleneck in building reliable and explainable artificial intelligence (XAI) systems for mental health research. In depression-related datasets, labels are often assigned without structured evidence, symptom-level justification, or traceable alignment with the criteria of the Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition, Text Revision (DSM-5-TR), limiting both transparency and downstream model interpretability. We propose a self-evolving, expert-in-the-loop annotation framework for Major Depressive Disorder (MDD) that combines large language model (LLM)-assisted labeling with expert verification. The framework is intended to support the construction of explainable, DSM-5-TR-aligned datasets rather than to perform clinical diagnosis. It operates in three stages: candidate evidence selection from textual records, criterion-level DSM-5-TR analysis, and case-level synthesis that produces label-level diagnostic and severity annotations. A dual-memory architecture, composed of Example Memory and Reflection Memory, is designed to internalize expert feedback and iteratively improve future annotations without retraining. We describe this mechanism and leave its evaluation across multiple feedback cycles to future work. In addition to final labels, the framework exports clinical evidence, reasoning traces, and edit histories, enabling comprehensive auditability. In a pilot study using expert-reviewed samples, the proposed approach improves annotation consistency and explainability while reducing manual revision effort.
• Abstract（参考訳）: アノテーションの品質は、メンタルヘルス研究のための信頼性と説明可能な人工知能(XAI)システムを構築する上で、大きなボトルネックとなっている。 うつ病関連データセットでは、ラベルは構造化された証拠、症状レベルの正当化、または、精神障害の診断および統計マニュアル、第5版、テキスト改訂(DSM-5-TR)の基準と追跡可能な一致なしに割り当てられ、透明性と下流モデルの解釈可能性の両方を制限する。 本稿では,大規模言語モデル(LLM)を用いたラベル付けと専門家による検証を併用した,MDD(Major Depressive Disorder)のための自己進化型エキスパート・イン・ザ・ループアノテーションフレームワークを提案する。 このフレームワークは、臨床診断を行うのではなく、説明可能なDSM-5-TR対応データセットの構築をサポートすることを意図している。 テキストレコードから候補エビデンスを選択すること、基準レベルのDSM-5-TR分析、ラベルレベルの診断と重度アノテーションを生成するケースレベルの合成である。 Example MemoryとReflection Memoryで構成されたデュアルメモリアーキテクチャは、専門家のフィードバックを内部化して、再トレーニングなしに将来的なアノテーションを反復的に改善するように設計されている。 このメカニズムを説明し、その評価を複数のフィードバックサイクルにまたがって将来の作業に委ねる。 最終ラベルに加えて、このフレームワークは、臨床証拠をエクスポートし、トレースを推論し、履歴を編集し、包括的な監査を可能にする。 専門家がレビューしたサンプルを用いたパイロットスタディでは,手作業による修正作業の削減を図り,アノテーションの一貫性と説明性を改善した。

関連論文リスト

• Explainable Detection of Depression Status Shifts from User Digital Traces [1.3266402517619371]
  利用者のデジタルトレースにおけるうつ関連状態変化を検出し解析するための説明可能なフレームワークを提案する。 このフレームワークを2つのソーシャルメディアデータセット上で評価する。
  論文  参考訳（メタデータ） (2026-05-14T15:56:38Z)
• ADAPTS: Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms [36.94429692322632]
  ADAPTS(Agentic Decomposition for Automated Protocol-Agnostic Tracking of Symptoms)は、うつ病と不安度の自動評価のためのフレームワークである。 このアプローチは、長期臨床面接を症状特異的推論タスクに分解する。 レーティングは、オリジナルの人間のレーティングよりも、専門家のベンチマークを近似した。
  論文  参考訳（メタデータ） (2026-05-04T23:08:42Z)
• SymptomWise: A Deterministic Reasoning Layer for Reliable and Efficient AI Systems [0.9786690381850356]
  本稿では,言語理解と診断的推論を分離するフレームワークであるSyptomWiseを紹介する。 このシステムは、専門家による医療知識、決定論的コーデックス駆動推論、および大規模言語モデルの制約付き使用を組み合わせる。 このアーキテクチャはトレーサビリティを改善し、不要な結論を減らし、システムコンポーネントのモジュラー評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-07T19:00:53Z)
• Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
  本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。 我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。 ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
  論文  参考訳（メタデータ） (2026-03-18T06:15:35Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Anonpsy: A Graph-Based Framework for Structure-Preserving De-identification of Psychiatric Narratives [1.4652274443334974]
  我々は、タスクをグラフ誘導セマンティックリライトとして再構成する非識別フレームワークであるAnonpsyを紹介した。 解剖学は、各物語を臨床的実体、時間的アンカー、型付き関係をコードする意味グラフに変換する。 専門家、セマンティクス、GPT-5に基づく評価の下で、診断の正確性を維持しながら、常に低い再識別リスクを達成している。
  論文  参考訳（メタデータ） (2026-01-20T01:37:44Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
  既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。 我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:03:30Z)
• MoodAngels: A Retrieval-augmented Multi-agent Framework for Psychiatry Diagnosis [58.67342568632529]
  MoodAngelsは、気分障害の診断のための最初の特殊なマルチエージェントフレームワークである。 MoodSynは、合成精神医学の1,173件のオープンソースデータセットである。
  論文  参考訳（メタデータ） (2025-06-04T09:18:25Z)
• REMEMBER: Retrieval-based Explainable Multimodal Evidence-guided Modeling for Brain Evaluation and Reasoning in Zero- and Few-shot Neurodegenerative Diagnosis [6.446611581074913]
  検索型マルチモーダル誘導型脳評価・推論モデルREMEMBERについて紹介する。 REMEMBERは、脳MRIスキャンを用いたゼロショットと少数ショットのアルツハイマーの診断を容易にする新しい機械学習フレームワークである。 実験結果から,REMEMBERはゼロショットと少数ショットの堅牢な性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-04-12T22:06:15Z)
• Towards the Identifiability and Explainability for Personalized Learner Modeling: An Inductive Paradigm [36.60917255464867]
  本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。 診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-01T07:18:02Z)

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。