Dep-LLM：无需训练 通过证据引导的结构化多因素和可靠的 LLM 推理进行抑郁症诊断

临床访谈的自动抑郁检测（ADD）是计算心理健康中的一项关键任务，但由于两个关键障碍，它仍然具有挑战性：1）在冗长、多主题的临床访谈中难以对复杂但分布稀疏的抑郁线索进行建模，导致推理肤浅且不可靠； 2）由于临床隐私导致标记数据稀缺，加上训练和微调成本高昂，限制了监督ADD系统的部署。为了共同应对这些挑战，我们提出了 Dep-LLM，这是一个 无需训练 框架，它反映了临床精神病学家的逐步推理，并完全在冻结的现成基础 LLM 上运行。 Dep-LLM 包括三个阶段。首先，思想链 (CoT) 抑郁多因素分析模块将长对话结构性地分解为五个临床一致的主题，并产生基于证据的基本原理，有效处理长上下文依赖性。其次，我们引入置信度分析和调制模块，该模块量化每个基本原理的 词元级 熵的认知可靠性，并应用标签内和主题间调制，放大可信信号，同时抑制不确定信号，而无需额外训练。第三，协作多因素预测模块动态地将按置信度加权的多因素信号集成到最终诊断中。在 DAIC-WOZ 和 E-DAIC 数据集上进行的大量实验证明了 Dep-LLM 的有效性和通用性：它在准确度、宏 F1 和加权平均 F1 等 9 个指标上超过了几乎所有 21 个基础 LLM 的零样本基线，并进一步优于最先进的有监督的特定领域 LLM 以及最新的闭源商业LLM，同时不需要额外的训练。