Depression Detection and Analysis using Large Language Models on Textual and Audio-Visual Modalities

抑郁症已被证明是一个重要的公共卫生问题，深刻影响着个体的心理健康。如果不被诊断出来，抑郁症可能会导致严重的健康问题，甚至导致自杀。通常，诊断抑郁症或其他精神障碍需要进行半结构化访谈，并辅以补充问卷，包括临床医生和心理健康专业人员使用的患者健康问卷（PHQ）的变体。这种方法在很大程度上依赖于经验和判断力过硬的医生，使得诊断容易受到个人偏见的影响。鉴于导致抑郁症的基本机制仍在积极研究中，医生在诊断和治疗该疾病时通常面临着挑战，特别是在其临床表现的早期阶段。最近，人工神经计算在解决涉及文本、图像和语音的各种领域问题方面取得了重大进展。我们的分析旨在利用这些最先进的模型在我们的实验中发挥最佳效果，利用多种模态。实验是在AVEC 2019挑战赛中提供的Extended Distress Analysis Interview Corpus Wizard of Oz数据集（E-DAIC）上进行的。所提出的解决方案展示了专有和开源大型语言模型（LLMs）取得的更好结果，文本模态的均方根误差（RMSE）得分为3.98，超过了AVEC 2019挑战赛的基线结果和当前的SOTA回归分析架构。此外，所提出的解决方案在分类任务中实现了71.43％的准确性。本文还包括一种新的音频-视觉多模态网络，可预测PHQ-8得分，RMSE为6.51。

本论文旨在通过利用多种模态来解决抑郁症的诊断问题，尤其是在早期临床表现阶段的诊断和治疗方面存在挑战。同时，论文也试图验证使用大型语言模型（LLMs）进行抑郁症诊断的可行性。

本论文的关键思路是通过使用多模态数据，特别是利用大型语言模型，来提高抑郁症的诊断精度。相比于当前领域的研究，本论文的思路在于将多种模态结合起来，同时使用了最新的大型语言模型技术。

本论文使用了E-DAIC数据集，并设计了多种实验来验证模型的效果。使用了多种大型语言模型，包括开源的BERT和GPT-2，以及一些私有的模型。在文本模态中，模型的RMSE得分为3.98，超过了AVEC 2019挑战的基准结果和当前的SOTA回归分析架构。同时，在分类任务中，模型的准确率为71.43%。此外，本论文还提出了一种新颖的音频-视觉多模态网络，其PHQ-8得分的RMSE为6.51。

在最近的研究中，也有一些关于利用大型语言模型进行抑郁症诊断的相关研究。例如，“BERT for Clinical Text Classification: Is Finetuning Worth It?”和“ClinicalBERT: Modeling Clinical Notes and Predicting Hospital Readmission”等。