今日动态 返回首页
会员注册 登录 生物通快讯免费订阅
  • 首页 今日动态 人才市场 新技术专栏 中国科学人 云展台
    BioHot
    • 定制我的BioHot
    • 进入我的BioHot
    • 进入我的集采
    • 肿瘤癌症研究
    • 免疫/基因/细胞疗法
    • 神经生物学
    • 健康与疾病
    • 衰老机制与长寿
    • 单细胞技术
    • 基因编辑-CRISPR
    • RNA研究
    • 肠道菌与人体微生态
    • 细胞代谢
    • AI生物信息学
    • COVID
    云讲堂直播 会展中心 特价专栏 技术快讯 免费试用

  • 生物通官微
    陪你抓住生命科技
    跳动的脉搏

生物通首页  >  今日动态  >  正文

利用大型语言模型进行数字表型分析,以检测患者的抑郁状态变化

《npj Digital Medicine》:Digital phenotyping with large language models to detect depressive state changes in patients

【字体: 大 中 小 】 时间:2026年06月16日 来源:npj Digital Medicine 15.1

编辑推荐:

  摘要数字表型分析利用智能手机和可穿戴设备产生的连续数据,实现实时心理健康监测,有助于在症状恶化之前让临床医生及时察觉异常并提供个性化治疗。然而,这类数据的多样性给建模带来了挑战。本研究探讨了大型语言模型在分析经历重度抑郁发作的个体的数字表型数据以检测抑郁程度变化方面的潜力。我们对

  

摘要

数字表型分析利用智能手机和可穿戴设备产生的连续数据,实现实时心理健康监测,有助于在症状恶化之前让临床医生及时察觉异常并提供个性化治疗。然而,这类数据的多样性给建模带来了挑战。本研究探讨了大型语言模型在分析经历重度抑郁发作的个体的数字表型数据以检测抑郁程度变化方面的潜力。我们对比了上下文学习与微调策略,发现无论是少量样本引导下的大型语言模型还是经过微调的大型语言模型,其性能都优于传统基准模型。此外,仅使用嵌入向量进行微调与QLoRA微调的结果相当,前者在处理单个特征时表现更佳,后者则在处理综合输入时更具优势。这些研究结果展示了大型语言模型在整合多样化行为数据以用于心理健康分析方面的巨大潜力,同时也强调了在实际应用中开展临床验证及采取伦理保障措施的重要性。

相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热搜:数字表型分析|心理健康监测|大型语言模型|上下文学习|微调策略|伦理考量

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号