Interpretable depression assessment using a large language model
Interpretierbare Depressionsbewertung mit einem Large Language Model
PLOS Digital Health · 09.02.2026 · 5 (2) · e0001205
DOI: 10.1371/journal.pdig.0001205 ↗Auf einen Blick
Eine LLM-gestützte Methode sagte PHQ-8-Werte aus Interviewtranskripten voraus und erreichte auf dem Testset einen MAE von 2,91. Das Modell war auch auf einem unabhängigen Datensatz anwendbar.
Fragestellung
Lässt sich Depression aus Gesprächstexten mit einem interpretierbaren LLM-Ansatz automatisiert und nachvollziehbar bewerten?
Methode
LLM-Prompting zur Extraktion interpretierbarer Faktoren aus Text und lineare Regression zur Vorhersage von Schweregradwerten; Evaluation auf DAIC-WOZ und E-DAIC.
Ergebnisse
Auf DAIC-WOZ (n = 186) wurde PHQ-8 aus klinischen Interviewtranskripten vorhergesagt; Testset-MAE 2,91. Auf E-DAIC (n = 86) lag der MAE bei 2,86.
Schlussfolgerung der Autor:innen
Die Autor:innen folgern, dass interpretierbare LLM-basierte Ansätze die klinische Nutzbarkeit automatisierter Depressionsbewertung verbessern können.
Kernaussagen
- PHQ-8-Vorhersage aus Interviewtranskripten
- MAE 2,91 auf dem Testset
- Generalisation auf E-DAIC mit MAE 2,86
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift PLOS Digital Health, online erschienen am 09.02.2026. Verfasst von Jae-Joong Lee und 2 weiteren Autor:innen. Beteiligte Einrichtung: Center for Neuroscience Imaging Research, Institute for Basic Science, Suwon, South Korea. Die Arbeit wurde bisher 3-mal zitiert (Crossref) und nennt 73 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: Institute for Basic Science.
Abstract (Originalsprache)
Detecting depression from conversational text using large language models (LLMs) has garnered significant interest. However, the limited interpretability of existing methods presents a major challenge for clinical application. To address this, we propose a novel framework for automatic depression assessment, which employs LLM prompting to extract interpretable factors linked to depression from text and uses linear regression to predict severity scores. We evaluated our approach using a benchmark dataset (DAIC-WOZ; n = 186), predicting Patient Health Questionnaire (PHQ)-8 scores from clinical interview transcripts. Our method identifies key behavioral and linguistic features indicative of depression while also achieving state-of-the-art performance with a mean absolute error (MAE) of 2.91 on the test set. The resulting model further generalizes to an independent test dataset (E-DAIC; n = 86) with an MAE of 2.86. These findings suggest that interpretable LLM-based approaches hold significant promise for enhancing the clinical utility of automated depression assessment.
Autor:innen und Institutionen
- Center for Neuroscience Imaging Research, Institute for Basic Science, Suwon, South Korea.
- Department of Biomedical Engineering, Sungkyunkwan University, Suwon, South Korea.
- Department of Intelligent Precision Healthcare Convergence, Sungkyunkwan University, Suwon, South Korea.
- Department of Brain Science and Engineering, Sungkyunkwan University, Suwon, South Korea.
ORCID-Profile: Jae-Joong Lee, Choong-Wan Woo
Förderung
- Institute for Basic Science
Zitieren
APA
Lee, J. J., Han, J., & Woo, C. W. (2026). Interpretable depression assessment using a large language model. PLOS Digital Health, 5(2), e0001205. https://doi.org/10.1371/journal.pdig.0001205
Vancouver
Lee JJ, Han J, Woo CW. Interpretable depression assessment using a large language model. PLOS Digital Health. 2026;5(2):e0001205. doi:10.1371/journal.pdig.0001205
BibTeX
@article{Lee2026,
author = {Lee, Jae-Joong and Han, Jihoon and Woo, Choong-Wan},
title = {Interpretable depression assessment using a large language model},
journal = {PLOS Digital Health},
year = {2026},
volume = {5},
number = {2},
pages = {e0001205},
doi = {10.1371/journal.pdig.0001205}
}
EUVIMED