当 PCOS 遇上饮食障碍：基于可解释 AI 的隐藏三重负担检测方法
计算与语言
2026-05-28 v2 人工智能
摘要
多囊卵巢综合征（PCOS）患者面临显著增加的体形困扰、进食障碍和代谢挑战风险，但现有的自然语言处理方法缺乏透明度，无法识别这些条件的共存表现。我们开发了小型开源语言模型，用于检测社交媒体帖子中的这三重负担，并具备可解释性。我们从六个与 PCOS 相关的 subreddit 收集了 1000 条帖子，由两位训练的标注员依据 Lee 等人（2017）临床框架制定的指南对帖子进行标注。对三个模型（Gemma-2-2B、Qwen3-1.7B、DeepSeek-R1-Distill-Qwen-1.5B）进行了低秩适应（Low-Rank Adaptation）微调，以生成带文本证据的结构化解释。最佳模型在 150 条保留下来的帖子上实现了 75.3% 的精确匹配准确率，表现出稳健的共病检测能力和强大的可解释性。性能随诊断复杂度的增加而下降，表明这些模型最适合作为筛查工具，而非用于自主诊断。
引用
@article{arxiv.2604.14356,
title = {When PCOS Meets Eating Disorders: An Explainable AI Approach to Detecting the Hidden Triple Burden},
author = {Apoorv Prasad and Susan McRoy},
journal= {arXiv preprint arXiv:2604.14356},
year = {2026}
}