HiMA-MDD：用于临床访谈可解释多模态抑郁检测的分层多智能体框架

从多模态临床访谈进行抑郁评估需要将分散于多个症状的证据整合为连贯的PHQ-8画像。这一过程是分层的：相关证据在局部问答交换中往往稀疏且依赖上下文，多个问答交换共同支持症状级判断，而最终评估取决于完整症状画像的连贯性。现有LLM系统要么整体处理访谈，要么将工作分配给通用的智能体角色；两种设计都未必提供一种显式的编排机制，来协调这些层级上的证据访问、条目评分权限、有界反馈和状态记录。为填补这一空白，我们提出HiMA-MDD，一个将这一评估层级对齐到三个智能体层的分层多智能体框架。在非智能体预处理构建保留上下文的多模态QA单元之后，第1层识别候选的问答-条目关联，并支持有界的、以条目为根据的证据路由。第2层将症状组分配给操作性因子专家，每个暂定条目评分由一名专家负责。第3层审计完整的暂定画像，最多请求一轮有针对性的修订，并重建经验证的PHQ-8画像。这种分层设计自然产生分层证据轨迹，保留所有中间证据、判断和修订以供审计。最终条目评分随后确定性地产生总分与筛查决定。以Qwen2.5-72B-Instruct为框架骨干，我们在E-DAIC上的实验表明HiMA-MDD优于所比较的最先进方法。