LLMs mit Evidenz‑basiertem Ansatz verbessern vertrauenswürdige Depressiondiagnose

Neues Forschungsergebnis aus dem arXiv-Repository zeigt, dass große Sprachmodelle (LLMs) bei der automatisierten Diagnose von Depressionen deutlich zuverlässiger werden, wenn sie systematisch evidenzbasierte Entscheidungsprozesse nutzen. Der Ansatz, der als Evidence‑Guided Diagnostic Reasoning (EGDR) bezeichnet wird, führt die Modelle dazu, strukturierte Diagnosehypothesen zu generieren, indem sie Beweiserfassung und logisches Denken auf Basis der DSM‑5‑Kriterien kombinieren.

Ein weiteres Schlüsselelement des Frameworks ist das Diagnosis Confidence Scoring (DCS). Dieses Modul bewertet die Faktengenauigkeit und logische Konsistenz der von den LLMs erzeugten Diagnosen anhand zweier interpretierbarer Metriken: dem Knowledge Attribution Score (KAS) und dem Logic Consistency Score (LCS). Durch diese Bewertung kann die Vertrauenswürdigkeit der Ergebnisse transparent nachvollzogen werden.

In umfangreichen Tests auf dem D4‑Datensatz mit Pseudolabels übertrifft EGDR herkömmliche In‑Context‑Prompting‑Methoden und Chain‑of‑Thought‑Ansätze bei fünf verschiedenen LLM‑Modellen. Bei OpenBioLLM steigt die Genauigkeit von 0,31 auf 0,76, während der DCS von 0,50 auf 0,67 zunimmt. Bei MedLlama verbessert sich der DCS von 0,58 auf 0,77. Insgesamt erzielt EGDR bis zu 45 % höhere Genauigkeit und 36 % mehr DCS als die Basisverfahren.

Diese Ergebnisse legen nahe, dass evidenzbasierte, interpretierbare KI‑Modelle ein solides Fundament für die klinische Diagnostik bieten und die Akzeptanz von KI‑unterstützten Diagnosen im medizinischen Alltag erhöhen können.