本文提出了一种新颖的方法，将大型语言模型（LLM）与可解释的人工智能（XAI）和类似 ChatGPT 的对话代理相结合，以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将 BERT 的 Twitter 特定变体 BERTweet 集成到 BERT-XDD 模型中，实现了解释能力，并通过掩码注意力提供分类和解释。利用 ChatGPT 将技术解释转化为可读性强的评论，进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法，有助于发展具有社会责任感的数字平台，在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。

Jan, 2024

使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

Oct, 2023

在 Twitter 上进行自动检测抑郁症能够帮助个人在寻求心理健康专业人员帮助之前，以私密和方便的方式了解自己的心理健康状况。本文提出了一种基于描述性模型的新型抑郁症检测模型，该模型结合了分层注意机制和前馈神经网络，在支持心理语言学研究的同时，其还识别了用户推文的特征和相关的隐喻概念映射。

Sep, 2022

提出了一种使用双模式语音级转换器的自动抑郁症检测工具，以避免分段级别标注的噪声并引入分层解释方法，从而在语音级别和句子级别提供模型解释，其性能优于学习在分段级别的模型，并提供了有关抑郁症检测的相关句子、文本标记和 Mel 频谱图区域的解释，以验证抑郁症检测工具的预测有效性，推动其临床实施。

Sep, 2023

通过使用来自相关领域的外部知识资源，在 KSAT 中引入了知识注入的自我关注层，从而实现了对多个领域特定上下文的集成。KSAT 提供了控制从数据中学习与从知识中学习之间的权衡的机制，并与其他知识注入基线相竞争，显着优于使用精调进行领域特定任务的基线。

Oct, 2022

通过对社交媒体数据进行分析，研究人员转向使用语言模型来评估精神健康，并引入了一种新的学习范式（PK-iL）来提供临床友好的解释，从而提高精神健康护理和预防策略的效果。

Jun, 2023

人工智能在医学诊断中的部署需要准确性、有效性和可信性，强调机器决策的可解释性。最近自动化医学图像诊断的趋势倾向于采用基于 Transformer 的架构，归功于其令人印象深刻的能力。我们的研究旨在创新一种强调 “区域” 而非 “像素” 相关性的独特注意块，以应对这一挑战。引入基于样本学习的创新系统，具备先进的自注意机制，并通过提供可理解的视觉洞察力，超越传统的临时视觉解释技术。我们使用定量和定性的方法论，演示了该方法在大规模的 NIH 胸部 X 射线数据集上的有效性。实验结果表明，我们提出的方法为可解释性提供了有希望的方向，这可以导致更可信的系统的发展，并促进这种技术更容易和快速地应用于常规诊所中。代码可在 www.github.com/NUBagcilab/r2r_proto 找到。

Mar, 2024

本文介绍了解决模型预测不透明性的方法，提出了一种利用多模态特征和分层注意力网络的模型，可以检测社交媒体上的抑郁症患者并解释模型预测，该模型在检测具有挑战性的公共社交媒体数据集上取得了显著优势。

Jul, 2020

在这项研究中，我们提出了一种无需人工注释的方法来生成可信和忠实的解释。我们展示了对自动医学编码任务的对抗鲁棒性训练如何提高解释的可信度，并引入了一种比现有方法更好的新解释方法 AttInGrad。通过在完全无监督的设置中结合这两个贡献，我们生成了与有监督方法相当甚至更好的解释。我们发布了我们的代码和模型权重。

Jun, 2024

通过使用 Proknow 和具有引导作用的自然语言问答生成方法，我们基于 449 个抑郁症和焦虑症患者的诊断谈话开发出一种具有安全约束和专业知识的诊断对话数据集。我们证明了在这个数据集上使用最先进的大规模语言模型的局限性，通过明确建模安全、知识捕获和可解释性，我们的算法提高了 82％以上的生成问题的安全性、解释性和过程指导。

May, 2023