Automatic Post-Traumatic Stress Disorder Diagnosis via Clinical Transcripts: A Novel Text Augmentation with Large Language Models
Notice bibliographique
Résumé
Post-traumatic stress disorder (PTSD) is one of the predominant mental disorders in the world. With the development of machine learning (ML), more people have started using natural language processing (NLP) models to make early mental disorder diagnoses, including PTSD. However, these NLP tasks often suffer from data imbalance issues due to the data collection difficulty. Therefore, the current study proposed two novel text augmentation frameworks to cope with data imbalance issues for clinical NLP tasks by leveraging Large Language Models (LLMs). The proposed frameworks utilize two distinct methodologies to augment the original dataset, thereby extending the publicly available Extended Distress Analysis Interview Corpus (E-DAIC) for PTSD. These methodologies involve generating standardized transcripts of PTSD interviews through a zero-shot (ZS) approach and rephrasing the existing training samples in the dataset via a few-shot (FS) approach. The FS and ZS augmented datasets outperform the original EDAIC dataset in automatic PTSD diagnosis. The ZS dataset, with GPT embeddings, achieves the highest performance, demonstrating the potential of LLMs to generate authentic clinical interviews and resolve data imbalance. Despite the FS approach performing slightly inferior to ZS, it still surpasses the original dataset with fewer samples and simplified prompts. The augmented dataset maintains high similarity to the original EDAIC dataset. This research has significant implications, enabling individual ML researchers to leverage powerful LLMs for innovative applications, reducing labour and time costs. LLMs can generate synthetic data at a fraction of the expense of recruiting human volunteers, facilitating future clinical NLP tasks. The approach offers flexibility in generating realistic and professional content through prompt design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».