从机器学习预测到基于Toulmin论证模型的知情诊断辅助
本文提出了一种基于Toulmin论证模型的结构化诊断辅助框架，将基于图像的ML诊断分解为声明、依据、正当理由、限定、反驳和支持等组件。通过专用生物标志物提取模型、MedGemma医学知识代理和MedSigLip图像相似度计算，为人类专家提供可解释的评估，增强对ML诊断的批判性审查。
一篇新研究提出了一种基于Toulmin论证模型的结构化框架，旨在将机器学习（ML）的图像诊断转化为可解释的推理过程，为临床专家提供更深入的决策支持。该研究由Anca Marginean和Adrian Groza共同完成，发表于arXiv预印本平台（arXiv:2607.09664），目前正在接受审查。
传统ML模型通常以“黑箱”方式输出诊断结果，缺乏透明度。为解决这一问题，研究人员借鉴了哲学中的Toulmin论证模型，将诊断分解为六个核心组件：声明（claim）、依据（grounds）、正当理由（warrant）、限定（qualifier）、反驳（rebuttal）和支持（backing）。在视网膜诊断的应用场景中，ML模型首先生成一个初步诊断声明。然后，一个专门用于从图像中提取生物标志物的模型提供依据。接下来，名为MedGemma的代理（基于医学知识库）负责分析依据与声明之间的正当理由，即解释为什么这些依据支持该声明。限定因子通过对正当理由和依据模型的整体定量评估来确定。最后，利用MedSigLip计算图像相似度，构建反驳证据，挑战或细化原始声明。所有组件均以结构化方式呈现给人类专家，使其能够更全面地评估ML输出的可靠性。
该框架的核心优势在于将单纯的预测提升为论证过程，使医生不仅看到结果，还能理解推理链条及其潜在局限性。研究人员认为，这种方法特别适用于高风险医疗场景，如眼底疾病诊断，其中错误的代价极高。未来工作可能包括在真实临床数据上验证该框架，并探索其在其他医学影像领域的适用性。此外，该框架还可扩展到其他领域的ML决策支持系统，例如病理学或放射学，进一步提高AI辅助诊断的透明度和可信度。