初期の精神病における合成音声データを用いて,解読可能なLLMベースの松散な関連性の検出

科学分野:

• コンピュータ言語学
• 精神科診断
• 医療における機械学習

背景:

• 言語におけるゆるい関連 (LA) は,特に統合失調症において,精神病のリスクの重要な指標である.
• 現在LAを検出する方法は,主観性,サンプルサイズが小さい,一般化能力が低いという点で制限されています.
• 精神病の早期介入には 客観的でスケーラブルなLAの検出が不可欠です

研究 の 目的:

• 大型言語モデル (LLM) と機械学習を使用して,ゆるい関連 (LA) の客観的な識別のための新しいワークフローを開発し,検証する.
• 言語学的なセマンティックと確率測定の改善により,LAの検出を強化する.
• LA検出モデルを訓練し評価するための合成データを生成するための再現可能な方法を作成します.

主な方法:

• 言語理論と専門家の検証を基に,LLMを用いた合成会話データを生成する.
• 語学的な特徴の抽出は,文の類似性と意味の一貫性や語彙のシフトのための新しい驚きのメトリックを含む.
• 4つのキー機能の節約的なセットを使用して,ライトグラデントブースティングマシンモデルをトレーニングします.
• 合成データセットと独立した現実世界のデータセットの両方のモデルの評価.

主要な成果:

• 訓練されたモデルは高精度 (合成データでは83. 46%,独立データでは82. 36%) とAUCは0. 868を達成した.
• このモデルは既存の類似性のみのモデルと 思考障害の検出ワークフローを大幅に上回りました
• SHAPLEY ADDITIVE EXPLANATIONSは,モデルの解釈可能性を確認し,意味論的一貫性と単語サプライズを主要な差別要因として特定しました.

結論:

• LLMから派生した言語的特徴は,LAの客観的でスケーラブルな検出を大幅に改善します.
• 開発されたモデルは,高い精度,最小の複雑さ,および臨床適用性を支持する解釈性の向上を示しています.
• 追加的な語彙や文脈的な特徴を組み込むさらなる研究は,早期の精神病の介入のための思考障害の識別を洗練することができます.