MDD-Thinker：用于重大抑郁症诊断的大推理模型
机器学习
2025-09-30 v1 数值分析
数值分析
摘要
背景 重大抑郁症（MDD）是全球致残的主要原因，然而当前的诊断方法往往依赖主观评估，且缺乏整合多模态临床信息的能力。大型语言模型（LLM）通过先进的推理能力有望提高诊断准确性，但面临可解释性、幻觉以及依赖合成数据的挑战。方法 我们开发了MDD-Thinker，一种基于LLM的诊断框架，通过监督微调（SFT）与强化学习（RL）相结合来增强推理能力和可解释性。我们使用UK Biobank数据集生成了40,000个推理样本，补充了来自公开心理健康数据集的10,000个样本。该模型在这些推理语料库上进行微调，并对其诊断和推理性能进行评估，以对比机器学习、深度学习和最先进的LLM基线。发现 MDD-Thinker在准确率和F1分数上分别达到0.8268和0.8081，显著优于传统基线如SVM和MLP，以及通用LLM。将SFT和RL相结合取得了最大的改进，准确率提升29.0%，F1分数提升38.1%，AUC提升34.8%。此外，该模型在推理性能方面表现出与规模更大的LLM相当，同时保持了计算效率。解释 本研究提出了首个基于大规模真实世界临床数据的推理增强LLM框架用于MDD诊断。通过集成SFT和RL，MDD-Thinker在准确性、可解释性和效率之间取得平衡，提供了一种可扩展的智能精神病诊断方法。这些发现表明，面向推理的LLM可以为MDD检测提供临床上可靠的支持，并可能为更广泛的心理健康护理提供指导。
引用
@article{arxiv.2509.24217,
title = {MDD-Thinker: Towards Large Reasoning Models for Major Depressive Disorder Diagnosis},
author = {Yuyang Sha and Hongxin Pan and Gang Luo and Caijuan Shi and Jing Wang and Kefeng Li},
journal= {arXiv preprint arXiv:2509.24217},
year = {2025}
}