Jun, 2024

成人重度抑郁症的不同治疗效益预测的深度学习模型的开发和验证，应用于人工智能抑郁症药物增效（AIDME）研究中

PDF
TL;DR我们介绍了一个人工智能模型，旨在个性化治疗和改善成果，可以预测抑郁症患者使用不同药物治疗的结果，并在临床实践中获得了积极的改善。
发现论文，激发创造
  • 朝着结果驱动的患者亚群：六项抑郁症治疗研究的机器学习分析

    通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

    Mar, 2023

  • 基于主题建模的多模态抑郁症检测

    通过主题建模的方法，我们提出了一种上下文感知分析录音的方法，用于预测变态抑郁症的水平，该方法在 AVEC 挑战赛中的所有指标上优于基线。

    Mar, 2018

  • 通过大型语言模型合成数据检测难治性抑郁的临床特征

    通过大型语言模型和 BERT 基于跨度抽取模型，能够提取和标记与难治性抑郁症相关的各种正面和负面因素的文本跨度，为未来医疗应用提供了希望。

    Feb, 2024

  • 基于联合异常排名和分类的纵向数据深度抑郁预测

    通过应用深度多任务循环神经网络学习时间相关的抑郁线索，本文探讨了使用机器学习预测未来抑郁症的可能性，利用住房状况和家庭环境的细节，提供了预测未来精神障碍的线索，并使用对比一类特征排名和偏差排名两个辅助任务显着提高了预测模型的样本效率，从而减少了对大型抑郁症标记数据集的依赖。对大型儿童抑郁症数据的大量实证结果表明，我们的模型是样本高效的，能够在疾病发生前 2-4 年准确预测抑郁症，远远优于 8 个典型的比较模型。

    Dec, 2020

  • 基于社会技术角度的时限医疗决策信任与协作人工智能设计

    研究利用决策辅助工具（DSTs）的机器学习模型来帮助抗抑郁药物的选择，但常常由于系统集成不良而在临床实践中失败。本研究通过迭代的共同设计过程探讨了临床医生使用 DSTs 进行抗抑郁药物治疗决策的感知，指出 DSTs 需要与医疗保健社会技术系统进行有效整合。结果表明，DSTs 应设计为支持患者 - 提供者协作的多用户系统，并提供按需解释，以解决预测和当前护理标准之间的差异的方式。该研究还考虑了如何在临床环境中设计 DSTs，以及设想中的潜在问题和挑战。

    Feb, 2021

  • DeepLearningBrasil@LT-EDI-2023：探索社交媒体文本中用于检测抑郁症的深度学习技术

    本研究旨在通过深度学习方法，结合 RoBERTa 和 DeBERTa 模型，并利用 DepSign-LT-EDI 任务对社交媒体文本进行分类，进一步加强对精神健康对话的理解，最终取得了优越的性能表现，同时提供了相关代码以促进透明度和进一步发展。

    Nov, 2023

  • 我们关心：多模态抑郁症检测与知识注入型心理健康治疗响应生成

    使用非语言线索检测抑郁症，引入虚拟助手与认知行为疗法基于的回应，取得了显著成果。

    Jun, 2024

  • 社交媒体上识别抑郁的框架： MentalRiskES@IberLEF 2023

    本文介绍了我们参加 IberLEF 2023 中的 MentalRiskES 任务，使用传统机器学习和深度学习技术预测了个体社交媒体活动导致抑郁的可能性，其中使用 BRET-based 模型微调和使用线性回归器作为输入的句子嵌入的两种建模方法，结果表明后者获得了更好的结果。

    Jun, 2023

  • 慢性疾病管理的少样本学习：利用大型语言模型和多提示工程与医学知识注入

    利用最先进的人工智能技术，通过用户生成的文本内容来检测各种心理障碍，该研究提出了一个新颖的框架，利用大型语言模型和多提示工程等先进技术解决数据驱动的慢性病管理中的两个关键技术挑战，其在抑郁症检测任务中取得了显著的优势，并在少训练样本的情况下对心理障碍的检测取得了成功。

    Jan, 2024

  • 基于视听线索的抑郁症识别深度学习：综述

    介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

    May, 2021