Cross-Scale Transfer Learning for Depression Severity Prediction: From PHQ-8 to HAMD-17 Across Languages and Clinical Paradigms
이 연구는 데이터 부족 상황에서 임상 면담 기록으로부터 우울증 심각도 점수를 예측하는 방법을 다루며, 언어와 임상 패러다임 간의 크로스 스케일 전이 학습을 위한 순차적 저랭크 적응(LoRA) 프로토콜을 제안합니다. 이 방법은 Qwen3 백본에 경계가 설정된 회귀 헤드를 결합하여 영어 DAIC-WOZ 데이터셋(PHQ-8)으로 사전 미세 조정한 후, 이를 중국 PDCH 데이터셋(HAMD-17)으로 추가 미세 조정을 진행하여 임상가가 부여한 점수를 예측합니다.
연구 결과, 데이터가 부족한 HAMD-17 목표에서 순차적 프로토콜은 0.6B 및 1.7B 백본 모두에서 타겟 전용 훈련 및 비-LLM 기준선보다 가장 우수한 점 추정 MAE, RMSE, 그리고 매크로 $F_1$ 점수를 달성했습니다. 이는 올바르게 정렬된 소스 감독이 가장 좋은 점 추정치를 제공하며, 원본 언어(중국어) 입력이 기계 번역된 영어 입력보다 우수하다는 것을 시사합니다.
또한, 연구는 역순으로 적용했을 때 실행 간 분산 내에서 명확한 이점을 제공하지 않음을 보여주며, 이 특정 DAIC-WOZ에서 PDCH로의 순차적 전이 설정에 대해 이전 연구가 없음을 강조합니다. 이 연구는 스크리닝이나 진단 유용성을 확립하지 않으며, 언어, 척도, 패러다임 변화의 기여도를 개별적으로 식별하지 않는 탐색적인 단일 사이트 내부 평가입니다.
연구 결과, 데이터가 부족한 HAMD-17 목표에서 순차적 프로토콜은 0.6B 및 1.7B 백본 모두에서 타겟 전용 훈련 및 비-LLM 기준선보다 가장 우수한 점 추정 MAE, RMSE, 그리고 매크로 $F_1$ 점수를 달성했습니다. 이는 올바르게 정렬된 소스 감독이 가장 좋은 점 추정치를 제공하며, 원본 언어(중국어) 입력이 기계 번역된 영어 입력보다 우수하다는 것을 시사합니다.
또한, 연구는 역순으로 적용했을 때 실행 간 분산 내에서 명확한 이점을 제공하지 않음을 보여주며, 이 특정 DAIC-WOZ에서 PDCH로의 순차적 전이 설정에 대해 이전 연구가 없음을 강조합니다. 이 연구는 스크리닝이나 진단 유용성을 확립하지 않으며, 언어, 척도, 패러다임 변화의 기여도를 개별적으로 식별하지 않는 탐색적인 단일 사이트 내부 평가입니다.