論文の概要: Cross-Scale Transfer Learning for Depression Severity Prediction: From PHQ-8 to HAMD-17 Across Languages and Clinical Paradigms
- arxiv url: http://arxiv.org/abs/2609.28430v1
- Date: Wed, 23 Sep 2026 17:30:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.13357
- Title: Cross-Scale Transfer Learning for Depression Severity Prediction: From PHQ-8 to HAMD-17 Across Languages and Clinical Paradigms
- Title（参考訳）: うつ病の重症度予測のためのクロススケールトランスファー学習:PHQ-8からHAMD-17言語と臨床パラダイム
- Abstract要約: 本研究は,データ不足下における臨床面接書からのうつ病重症度予測に対処する。
クロススケール転送のためのシーケンシャルローランク適応(LoRA)プロトコルを提案する。
- 参考スコア（独自算出の注目度）: 6.137096667354723
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This work addresses continuous depression-severity score prediction from clinical interview transcripts under data scarcity. We propose a sequential low-rank adaptation (LoRA) protocol for cross-scale transfer: a Qwen3 backbone with a bounded regression head is first fine-tuned on the English DAIC-WOZ dataset (189 avatar-mediated sessions, PHQ-8), and the adapter then initializes fine-tuning on the Chinese PDCH dataset (100 real clinical consultations, HAMD-17), where a reinitialised, scale-specific head predicts the clinician-assigned score. All configurations use patient-level stratified 5-fold, 2-repeat cross-validation. On the data-scarce HAMD-17 target, the sequential protocol attains the best point-estimate MAE , RMSE, and macro-$F_1$ on both 0.6B and 1.7B backbones, outperforming target-only training and non-LLM baselines---4.96/6.59/0.36 with Qwen3-0.6B and 4.38/5.62/0.46 with Qwen3-1.7B. Ablations suggest that correctly aligned source supervision gives the best point estimates (unsupervised exposure and shuffled-label controls also show partial gains), that native-Chinese target input outperforms machine-translated English input, and that the reversed order yields no clear gain within run-to-run variance. The study is an exploratory, single-site internal evaluation: it does not establish screening or diagnostic utility, nor separately identify the contribution of the scale, language, or paradigm shifts. To our knowledge, no prior study evaluates this specific DAIC-WOZ-to-PDCH sequential transfer setting.
- Abstract（参考訳）: 本研究は,データ不足下における臨床面接書からのうつ病重症度予測に対処する。
そこで我々は,まず,有界回帰ヘッドを持つQwen3バックボーンを,まず英語DAIC-WOZデータセット(PHQ-8)で微調整し,そのアダプタを中国語PDCHデータセット(100の実クリニカルコンサルテーション,HAMD-17)で微調整する。
すべての構成は、患者レベル5倍、2倍のクロスバリデーションを使用する。
データスカースHAMD-17ターゲットでは、シーケンシャルプロトコルは、0.6Bと1.7Bのバックボーンで最高値のMAE、RMSE、マクロ$F_1$を獲得し、Qwen3-0.6Bで--4.96/6.59/0.36、Qwen3-1.7Bで4.38/5.62/0.46を達成している。
アブレーションは、正しく整列されたソース管理が最適点推定(教師なし露光とシャッフルラベル制御も部分的な利得を示す)を与え、ネイティブ・チャイナ・ターゲット入力が機械翻訳された英語入力より優れており、逆順は実行時から実行時までの分散の中で明確な利得を得られないことを示唆している。
スクリーニングや診断ユーティリティを確立したり、スケール、言語、パラダイムシフトの貢献を別々に特定したりしない。
我々の知る限り、このDAIC-WOZ-to-PDCHシーケンシャル・トランスファー・セッティングについて事前研究は行われていない。
関連論文リスト
- LLaDA-PRM: A Bidirectional Step-Level Reasoning Evaluator [39.353990284573165]
MR-MATH-invalidでは88.8ステップF1、アウト・オブ・ディストリビューションMR-GSM8Kでは83.8ステップF1に達する8B双方向評価器であるPramを導入する。
prmはオンライン設定の不完全な推論トレースを評価する上でも有効である。
論文 参考訳（メタデータ） (2026-09-19T02:22:13Z) - What EEG Foundation Models Encode: Dataset Identity and a Negative-Control Suite for Clinical Benchmarks [0.0]
LaBraM、EEGMamba、CBraMod、REVE、LEAD、BENDR、BIOTを4つのデータセットで5つの臨床タスクでベンチマークする。
我々は、より強力な古典的コンパレータ、ラベルの置換、スクランブルラベルの微調整、ランダム初期化制御による明らかなゲインに挑戦する。
結論はモンタージュマッチング、患者オーバーラップチェック、より強力なコンパレータ、表現制御後に大きく変化する。
論文 参考訳（メタデータ） (2026-07-27T14:59:42Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - OncoTraj: a public benchmark for longitudinal resistance prediction in EGFR-mutant non-small-cell lung cancer on osimertinib [0.0]
OncoTraj は 813 EGFR変異 NSCLC 患者のオシメルチニブを服用する公的なベンチマークである。
OncoTrajは、3つのロックされたタスクを定義している。 (A) 固定12ヶ月の目印による進行のバイナリ分類、 (B) 日ごとの時間から最初の生産性の回帰、 (C) 支配的な抵抗機構の6つのクラス分類である。
論文 参考訳（メタデータ） (2026-06-09T17:33:24Z) - CLSP-REQA: A Real-Time Quality-Aware Closed-Loop Seizure Prediction Framework with Mamba-BiLSTM and Confidence-Gated Intervention [9.946196838806838]
CLSP-REQA (リアルタイム脳波品質評価によるクローズドループシーズーア予測)
Real-time EEG Quality Assessment (REQA)モジュールは、Mamba-BiLSTMバックボーンと並行して動作する。
クローズドループニューロ刺激インタフェースと直接互換性のある構造付き4タプルを出力する。
論文 参考訳（メタデータ） (2026-05-21T16:44:40Z) - Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。
我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
論文 参考訳（メタデータ） (2026-04-18T01:38:47Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳（メタデータ） (2020-12-16T07:02:56Z)
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。