新しい研究により、機械学習（ML）による画像診断を解釈可能な推論プロセスに変換する、Toulmin議論モデルに基づく構造化フレームワークが提案されました。この研究はAnca Marginean氏とAdrian Groza氏によって行われ、arXivプレプリント（arXiv:2607.09664）に掲載され、現在審査中です。
従来のMLモデルは診断結果を「ブラックボックス」として出力し、透明性が不足していました。この問題に対処するため、研究者らは哲学のToulmin議論モデルを採用し、診断を6つのコアコンポーネント（主張、根拠、保証、限定、反論、裏付け）に分解しました。網膜診断のユースケースでは、まずMLモデルが初期診断の主張を生成します。次に、画像からバイオマーカーを抽出する専門モデルが根拠を提供します。続いて、医学知識ベースを備えたMedGemmaエージェントが、根拠と主張を結びつける保証を分析し、なぜそれらの根拠が主張を支持するのかを説明します。限定因子は、保証と根拠モデルの全体的な定量評価に基づいて決定されます。最後に、MedSigLipを使用して画像類似度を計算し、元の主張に挑戦または洗練する反論を構築します。すべてのコンポーネントは構造化された形式で人間の専門家に提示され、ML出力の信頼性をより包括的に評価できるようにします。
このフレームワークの主な利点は、単なる予測を議論プロセスに昇格させ、医師が結果だけでなく推論の連鎖とその潜在的な限界を理解できるようにすることです。研究者らは、このアプローチが特に誤診の代償が大きい眼底疾患診断などの高リスク医療シナリオに適していると考えています。今後の課題として、実際の臨床データでの検証や、他の医用画像分野への応用が挙げられます。また、このフレームワークは病理学や放射線学など、他のMLベースの意思決定支援システムにも拡張可能であり、AI支援診断の透明性と信頼性をさらに向上させる可能性があります。