基于MMSE校准的少样本提示：阿尔茨海默病检测
机器学习
2025-09-25 v1
摘要
使用大语言模型进行少样本提示是一种从语音转录中检测阿尔茨海默病的训练-free方法。基于ADReSS数据集，我们重新审视零样本提示，研究使用嵌套交错和严格模式进行的少样本提示方案，探索最多20个每类的示例。我们评估了两种实现最新提示结果的变体。(i)MMSE-代理提示：每个少样本示例携带一个概率，其值通过确定性映射锚定到精神状态检查(MMSE) bands，从而实现AUC计算；达到0.82的准确率和0.86的AUC。(ii)推理增强提示：少样本示例池由多模态大语言模型(GPT-5)生成，输入包括Cookie Theft图像、转录文本和MMSE评分，输出推理过程和MMSE对齐的概率；评估仅使用转录文本，达到0.82的准确率和0.83的AUC。鉴于本是首个将elicited概率锚定到MMSE并利用多模态构建提高可解释性的ADReSS研究。
引用
@article{arxiv.2509.19926,
title = {MMSE-Calibrated Few-Shot Prompting for Alzheimer's Detection},
author = {Jana Sweidan and Mounim A. El-Yacoubi and Nasredine Semmar},
journal= {arXiv preprint arXiv:2509.19926},
year = {2025}
}