Reading between the Lines: Leveraging Large Language Models for Global Dementia and Depression Assessment from Clinical Interviews

📄 arXiv: 2606.18019v1 📥 PDF

作者: Franziska Braun, Alea Rüggeberg, Thomas Ranzenberger, Hartmut Lehfeld, Thomas Hillemacher, Tobias Bocklet, Korbinian Riedhammer

分类: eess.AS, cs.CL, cs.SD

发布日期: 2026-06-16

备注: Accepted for publication in Text, Speech and Dialogue (TSD 2026). The final authenticated publication will be available online via Springer LNCS/LNAI

💡 一句话要点

利用大型语言模型评估老年痴呆与抑郁症的严重程度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 抑郁症评估 痴呆症诊断 特征提取 支持向量回归 临床访谈 自动化评估

📋 核心要点

  1. 痴呆与抑郁症的症状重叠，使得临床鉴别诊断面临重大挑战，现有方法难以有效区分。
  2. 本研究提出利用大型语言模型进行语音样本分析，结合全球抑郁量表与全球恶化量表，实现情感与认知症状的并行评估。
  3. 实验结果显示，在零样本预测中，LLMs对抑郁症的预测MAE为0.60，而通过特征提取，痴呆评估的MAE降低至0.78，提升显著。

📝 摘要（中文）

痴呆和抑郁症是老年人群中最常见的神经精神疾病，其重叠症状给鉴别诊断带来了重大挑战。本研究探讨了开放权重的大型语言模型（LLMs）在标准化病史访谈中，从154名德语受访者的语音样本中预测痴呆和抑郁症严重程度的有效性。我们引入了一种观察者基础的全球抑郁量表（GDS-D），与已建立的全球恶化量表（GDS）对齐，实现情感和认知症状的全球分级。结果表明，LLMs在零样本预测中有效预测抑郁症严重程度（最佳MAE为0.60），而痴呆评估则通过结构化特征提取显著受益（最佳MAE为0.78），错误率较零样本基线降低了35%。

🔬 方法详解

问题定义：本研究旨在解决痴呆与抑郁症的鉴别诊断问题，现有方法在处理重叠症状时效果不佳，难以准确评估患者的心理状态。

核心思路：通过利用大型语言模型（LLMs）分析标准化访谈中的语音样本，结合全球抑郁量表（GDS-D）与全球恶化量表（GDS），实现对情感与认知症状的全面评估。

技术框架：研究分为两个主要阶段：第一阶段为零样本预测，直接使用LLMs进行抑郁症和痴呆症的严重程度预测；第二阶段为基于LLMs的特征提取，结合支持向量回归（SVR）进行更精确的评估。

关键创新：引入观察者基础的全球抑郁量表（GDS-D），并通过结构化特征提取显著提升痴呆症的评估准确性，减少了35%的错误率。

关键设计：在特征提取过程中，使用人类转录和暂停增强转录，确保数据的丰富性和准确性，LLMs的选择包括Mistral 3.1、DeepHermes和Qwen3，优化了模型的性能。

📊 实验亮点

实验结果表明，LLMs在零样本设置下对抑郁症的预测MAE为0.60，而通过结构化特征提取，痴呆症的评估MAE降至0.78，较零样本基线减少了35%的错误率，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括老年医学、心理健康评估和临床诊断支持系统。通过实现自动化的神经精神评估流程，可以提高诊断效率，降低医疗成本，并为临床医生提供更可靠的决策支持。未来，随着技术的进步，该方法有望推广至更广泛的医疗场景。

📄 摘要（原文）

Dementia and depression are the most prevalent neuropsychiatric disorders in geriatric populations, and their overlapping symptoms pose major challenges for differential diagnosis. In this study, we investigate open-weights Large Language Models (LLMs) for predicting dementia and depression severity from speech samples collected during standardized history taking interviews with 154 German-speaking subjects. We introduce an observer-based Global Depression Scale (GDS-D) aligned with the established Global Deterioration Scale (GDS), enabling parallel global staging of affective and cognitive symptoms. We compare three LLMs (Mistral 3.1, DeepHermes, Qwen3) in two settings: (1) zero-shot prediction and (2) LLM-based feature extraction for Support Vector Regression, using human and pause-enriched transcripts. Results show that LLMs effectively predict depression severity in zero-shot settings (best MAE of 0.60), while dementia assessment benefits substantially from structured feature extraction (best MAE of 0.78), reducing errors by up to 35% over zero-shot baselines. Pause-enriched transcripts achieve competitive performance with human transcriptions, demonstrating the viability of fully automatic screening pipelines for differential neuropsychiatric assessment.