自进化+专家在环：为抑郁症症状标注构建可解释AI数据集
事件摘要
2026 年 7 月 16 日，一篇题为《Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation》（arXiv:2607.15202）的论文被提交，并随后被 IEEE International Conference on Omni-Layer Intelligent Systems (COINS) 2026 接收。该研究由 Hoang-Loc Cao、Van Pham、Truong Thanh Hung Nguyen 等 7 位作者完成，提出了一种结合大语言模型（LLM）辅助标注与专家验证的自进化标注框架，旨在解决精神健康研究中抑郁症症状标注质量低、缺乏可解释性的瓶颈问题。
一、问题背景：标注质量是 XAI 系统的"阿喀琉斯之踵"
可解释人工智能（XAI）系统在精神健康领域的应用前景广阔，但其可靠性高度依赖于训练数据的质量。论文指出，当前抑郁相关数据集中的标签往往存在三个缺陷：
- 缺乏结构化证据：标签未与文本记录中的具体证据建立关联。
- 缺少症状级解释：无法追溯到具体的症状维度。
- 未对齐 DSM-5-TR 标准：标注过程未能与《精神障碍诊断与统计手册》第五版修订版（DSM-5-TR）的诊断准则建立可追踪的对齐关系。
这些问题直接限制了系统的透明度和下游模型的"可解释性"——即用户（包括临床研究人员）难以理解 AI 为何做出某个判断。
二、技术方案：三阶段 + 双记忆的自进化框架
2.1 三阶段标注流程
该框架将标注任务分解为三个递进阶段：
| 阶段 | 功能描述 |
|---|---|
| 第一阶段：候选证据选择 | 从文本记录中自动提取与抑郁症状相关的候选证据片段 |
| 第二阶段：准则级 DSM-5-TR 分析 | 将提取的证据逐一对齐到 DSM-5-TR 的具体诊断准则 |
| 第三阶段：案例级综合 | 整合前两步结果，生成最终的标签级诊断和严重程度标注 |
2.2 双记忆架构：无需重新训练的持续进化
框架的核心创新在于一个双记忆（Dual-Memory）机制：
- Example Memory（示例记忆）：存储专家修正后的标注案例，作为后续标注的参考范例。
- Reflection Memory（反思记忆）：记录专家的反馈模式和纠正逻辑，使系统能够"学习"如何避免同类错误。
这一设计的关键优势是：系统通过内化专家反馈来迭代改进未来标注，而无需对模型进行重新训练。对于部署成本敏感的团队而言，这是一个重要的工程价值点。
2.3 完整的审计追踪
除了最终诊断标签外，框架还导出三类可审计信息：
- 临床证据：支撑每个标签的具体文本依据
- 推理轨迹：从证据到标签的逻辑链条
- 编辑历史：专家修改的全过程记录
这使得整个标注过程具备"全面可审计性"（comprehensive auditability）。
三、初步验证与局限
论文报告了一项基于专家审核样本的初步研究（pilot study），结果显示：
- 标注一致性得到提升
- 可解释性增强
- 手动修订工作量减少
但需要明确的是，论文作者也坦诚地指出：该机制在多轮反馈循环中的评估将留待未来工作。这意味着框架的长期稳定性和大规模适用性仍需进一步验证。
此外，作者强调该框架旨在支持构建可解释、与 DSM-5-TR 对齐的数据集，而非执行临床诊断。这一声明对于厘清工具定位、规避合规风险至关重要。
四、对 AI 从业者的启示
4.1 对于开发者：专家在环（Expert-in-the-Loop）仍是可靠路径
尽管端到端的大模型方案在诸多任务中表现亮眼，但在精神健康等高风险领域，"人类专家监督 + AI 辅助"的模式仍然是当前最务实的选择。双记忆架构的设计思路——通过缓存和检索专家反馈而非频繁微调——为资源受限的团队提供了一种可扩展的工程范式。
4.2 对于创业者：可解释性即竞争力
在医疗 AI 赛道，"黑箱模型"正越来越难通过合规审查。该论文提出的完整审计追踪（证据 + 推理 + 编辑历史）展示了一种产品化的可能性：将标注过程本身转化为可交付的可解释性资产。这对于面向医院、研究机构的数据服务创业者具有参考价值。
4.3 对于研究者：DSM-5-TR 对齐是一个值得深耕的方向
目前 NLP 与精神健康交叉领域的多数工作聚焦于分类或预测性能，而较少关注标注标准与临床指南的结构化对齐。以 DSM-5-TR 为锚点的标注方法论，可能成为一个有差异化的研究切入点。
五、关键事实速查
| 项目 | 内容 |
|---|---|
| 论文标题 | Self-Evolving Human-Centered Framework for Explainable Depression Symptom Annotation |
| arXiv ID | 2607.15202 |
| 提交日期 | 2026 年 7 月 16 日 |
| 会议收录 | IEEE COINS 2026 |
| 作者 | Hoang-Loc Cao, Van Pham, Truong Thanh Hung Nguyen, Phuc Truong Loc Nguyen, Phuc Ho, Veronica Whitford, Hung Cao |
| DOI | https://doi.org/10.48550/arXiv.2607.15202 |
| PDF 链接 | https://arxiv.org/pdf/2607.15202 |
| 实验 HTML | https://arxiv.org/html/2607.15202v1 |
| 许可证 | CC BY-NC-SA 4.0 |
| 研究学科 | cs.AI, cs.HC, cs.MA, cs.MM |
本文所有事实均来源于 arXiv:2607.15202 公开材料，未引入任何外部信息。