주석(Annotation) 품질은 정신 건강 연구를 위한 신뢰할 수 있고 설명 가능한 인공지능(XAI) 시스템을 구축하는 데 있어 주요 병목 현상입니다. 우울증 관련 데이터셋에서 레이블은 종종 구조화된 증거, 증상 수준의 근거, 또는 정신질환 진단 및 통계 편람 제5판, 텍스트 개정판(DSM-5-TR) 기준과의 추적 가능한 정렬 없이 할당되어 투명성과 다운스트림 모델 해석 가능성 모두를 제한합니다. 우리는 대규모 언어 모델(LLM) 지원 레이블링과 전문가 검증을 결합한 주요 우울 장애(MDD)를 위한 자체 진화형, 전문가 참여 루프 주석화 프레임워크를 제안합니다. 이 프레임워크는 임상 진단을 수행하기 위함이 아니라, 설명 가능하고 DSM-5-TR에 정렬된 데이터셋 구축을 지원하는 것을 목표로 합니다. 이는 세 단계로 작동합니다: 텍스트 기록으로부터 후보 증거 선택, 기준 수준의 DSM-5-TR 분석, 그리고 레이블 수준의 진단 및 중증도 주석을 생성하는 사례 수준의 종합입니다. 예시 메모리(Example Memory)와 반성 메모리(Reflection Memory)로 구성된 이중 메모리 아키텍처는 전문가 피드백을 내재화하고 재학습 없이 미래 주석을 반복적으로 개선하도록 설계되었습니다. 우리는 이 메커니즘을 설명하며, 여러 피드백 주기 전반에 걸친 평가를 향후 연구로 남겨둡니다. 최종 레이블 외에도, 이 프레임워크는 임상 증거, 추론 흔적(reasoning traces), 및 편집 기록을 내보내 포괄적인 감사 가능성(auditability)을 가능하게 합니다. 전문가 검토 샘플을 사용한 파일럿 연구에서, 제안된 접근 방식은 수동 수정 노력을 줄이는 동시에 주석의 일관성과 설명 가능성을 향상시킵니다.