Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes.
在第二型糖尿病中，透過將風險預測模型的事後解釋置於情境中，以提供臨床評估資訊。 Artif Intell Med 2023-03-23

醫學專家可能更信任人工智慧（AI）系統，若有「情境解釋」支持，將系統推論與現實應用連結。研究聚焦於合併症風險預測，探討如何利用醫學指南資訊為AI提供情境。透過大型語言模型（LLMs）建立端對端AI流程，研究顯示情境解釋可改善臨床對AI模型的理解與應用。結果顯示，像BERT和SciBERT的LLMs可有效提供臨床相關解釋，有助增進臨床醫師對AI模型的應用。 PubMed DOI

Automatic depression severity assessment with deep learning using parameter-efficient tuning.
利用參數高效調整的深度學習進行自動抑鬱症嚴重程度評估。 Front Psychiatry 2023-07-04

研究使用深度學習模型，根據臨床訪談記錄自動評估抑鬱症程度。提出新方法解決缺乏數據問題，利用預訓練語言模型和高效參數調整。實驗顯示新模型效果優，且避免過度擬合，適應預訓練模型於抑鬱症評估。結果顯示前綴調整可成為開發自動抑鬱症評估工具的有用方法。 PubMed DOI

GPTFX: A Novel GPT-3 Based Framework for Mental Health Detection and Explanations.
GPTFX：一個基於 GPT-3 的新型框架，用於心理健康檢測和解釋。 IEEE J Biomed Health Inform 2024-02-12

這篇論文介紹了GPTFX，一種新型的基於人工智慧的心理健康檢測方法，利用GPT框架。它在分類心理健康疾病和生成解釋方面表現優異，分類準確率高達87%，Rouge-L分數為0.75。結合GPT嵌入與機器學習模型進行分類，並微調GPT-3生成解釋，適用於使用AI-IoMT設備進行心理健康的實時監測，比傳統方法更可靠。 PubMed DOI

Deep learning-based natural language processing for detecting medical symptoms and histories in emergency patient triage.
基於深度學習的自然語言處理在急診患者分流中檢測醫學症狀和病史。 Am J Emerg Med 2024-02-16

研究使用大型語言模型如GPT和BERT自動記錄急診科臨床診斷，並進行BERT微調。透過XAI和SHAP方法分析模型，結果顯示KLUE-RoBERTa表現最佳，XAI提供可靠解釋。研究指出LLMs或許可簡化韓國急診科電子病歷記錄。 PubMed DOI

Leveraging ChatGPT to optimize depression intervention through explainable deep learning.
利用 ChatGPT 通過可解釋的深度學習來優化抑鬱症干預。 Front Psychiatry 2024-06-21

研究使用ChatGPT協助輔導員與患者互動，並比較其回應與人類內容。整合AI技術改善心理健康干預，框架準確率達93.76%，ChatGPT回應有禮且簡潔。AI內容可增進傳統干預方法，提升醫療系統患者照護和輔導實踐。 PubMed DOI

The Role of Humanization and Robustness of Large Language Models in Conversational Artificial Intelligence for Individuals With Depression: A Critical Analysis.
大型語言模型在對話人工智慧中的人性化和強健性對憂鬱症患者的角色：一個批判性分析。 JMIR Ment Health 2024-07-03

大型語言模型（LLM）應用廣泛，包括心理健康領域。然而，使用LLM強化的對話人工智慧（CAI）協助抑鬱症患者面臨人性化和情境韌性挑戰。觀點論文探討這些挑戰，提出跨學科解決方案，結合哲學、心理學和計算機科學。為了負責地設計和應用LLM增強的CAI支援抑鬱症患者，提出建議。 PubMed DOI

Evaluating Large Language Models' Ability Using a Psychiatric Screening Tool Based on Metaphor and Sarcasm Scenarios.
評估大型語言模型在基於隱喻和諷刺情境的精神病篩檢工具中的能力。 J Intell 2024-07-26

這項研究指出，阿斯伯格症兒童在理解諷刺等細微溝通上面臨挑戰，儘管他們的語言能力不錯。研究者透過特定測試來區分阿斯伯格症與其他狀況，如注意力不足過動症（ADHD），主要針對隱喻和諷刺的理解。最近對大型語言模型的評估顯示，這些模型在隱喻理解上有所進步，但在諷刺方面卻沒有相同的進展，可能需要不同的方法，與大腦情感處理有關。因此，為大型語言模型設計針對性訓練策略，提升其理解諷刺的能力，對於模擬人類認知過程非常重要。 PubMed DOI

On the development and validation of large language model-based classifiers for identifying social determinants of health.
基於大型語言模型的分類器在識別健康社會決定因素中的開發與驗證。 Proc Natl Acad Sci U S A 2024-09-16

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

Language sentiment predicts changes in depressive symptoms.
語言情感預測抑鬱症狀的變化。 Proc Natl Acad Sci U S A 2024-09-16

這項研究探討簡短書面回應的情感與抑鬱症狀變化的關係，招募了467名參與者，並使用PHQ-9評估抑鬱症狀。研究發現，人類評審和大型語言模型（如ChatGPT）的情感分析能有效預測三週內的抑鬱症狀變化，而語言查詢工具（LIWC）則無法。研究還指出，語言情感與當前情緒有關，但能獨立預測抑鬱症狀變化，顯示結合AI工具的情感分析可作為預測精神症狀的有效方法。 PubMed DOI

Using Large Language Models to Detect Depression From User-Generated Diary Text Data as a Novel Approach in Digital Mental Health Screening: Instrument Validation Study.
使用大型語言模型從用戶生成的日記文本數據中檢測抑鬱症：數位心理健康篩檢中的新方法及工具驗證研究。 J Med Internet Res 2024-09-18

抑鬱症對全球影響深遠，影響工作效率和殘疾率。雖然早期發現很重要，但現有的篩檢工具常缺乏客觀性。研究者正探索影像分析、血液標記及日記寫作等客觀指標。這項研究利用情感日記應用程式，評估91名參與者的日記文本，並使用GPT-3.5和GPT-4等大型語言模型進行抑鬱症檢測。結果顯示，微調後的GPT-3.5準確率達90.2%，顯示用戶生成的文本在臨床檢測抑鬱症上具潛力，未來可結合其他可測量指標進一步研究。 PubMed DOI

原始文章

站上相關主題文章列表