본 논문은 전 세계적으로 수백만 명에게 영향을 미치는 광범위한 정신 질환인 우울증의 자동화된 평가에 대한 연구를 다룹니다. 기존 연구들의 한계점인 제한적이거나 임상적으로 검증되지 않은 데이터 사용 및 실제 효과보다 복잡한 모델 설계에 대한 우선순위 설정 문제를 해결하기 위해, 2년간 실제 병원 방문 데이터를 기반으로 한 임상 신경정신과 다중 모달 진단 데이터셋 C-MIND를 제시합니다. C-MIND는 세 가지 구조화된 정신과적 과제와 전문 임상의의 최종 진단, 그리고 오디오, 비디오, 텍스트 기록 및 기능적 근적외선 분광법(fNIRS) 신호를 포함합니다. 본 연구는 C-MIND를 이용하여 진단과 관련된 행동적 특징을 분석하고, 다양한 모델을 훈련시켜 서로 다른 과제와 모달의 진단 성능 기여도를 정량화하며, 이들의 조합 효과를 분석합니다. 또한, 대규모 언어 모델(LLM)의 임상의와 유사한 정신과적 추론 능력과 현실적인 임상 환경에서의 한계를 탐구하고, 임상 전문 지식을 활용하여 LLM의 진단 성능을 최대 10% (Macro-F1 점수 기준) 향상시키는 방법을 제안합니다. 궁극적으로 데이터 및 알고리즘 관점 모두에서 임상 우울증 평가를 위한 인프라 구축을 목표로 하며, C-MIND가 정신 건강 관리를 위한 근거 기반의 신뢰할 수 있는 연구를 촉진할 수 있도록 합니다.
