從機器學習預測到基於Toulmin論證模型的知情診斷輔助
本文提出了一種基於Toulmin論證模型的結構化診斷輔助框架，將基於圖像的ML診斷分解為聲明、依據、正當理由、限定、反駁和支持等組件。通過專用生物標誌物提取模型、MedGemma醫學知識代理和MedSigLip圖像相似度計算，為人類專家提供可解釋的評估，增強對ML診斷的批判性審查。
一篇新研究提出了一種基於Toulmin論證模型的結構化框架，旨在將機器學習（ML）的圖像診斷轉化為可解釋的推理過程，為臨牀專家提供更深入的決策支持。該研究由Anca Marginean和Adrian Groza共同完成，發表於arXiv預印本平台（arXiv:2607.09664），目前正在接受審查。
傳統ML模型通常以“黑箱”方式輸出診斷結果，缺乏透明度。為解決這一問題，研究人員借鑑了哲學中的Toulmin論證模型，將診斷分解為六個核心組件：聲明（claim）、依據（grounds）、正當理由（warrant）、限定（qualifier）、反駁（rebuttal）和支持（backing）。在視網膜診斷的應用場景中，ML模型首先生成一個初步診斷聲明。然後，一個專門用於從圖像中提取生物標誌物的模型提供依據。接下來，名為MedGemma的代理（基於醫學知識庫）負責分析依據與聲明之間的正當理由，即解釋為什麼這些依據支持該聲明。限定因子通過對正當理由和依據模型的整體定量評估來確定。最後，利用MedSigLip計算圖像相似度，構建反駁證據，挑戰或細化原始聲明。所有組件均以結構化方式呈現給人類專家，使其能夠更全面地評估ML輸出的可靠性。
該框架的核心優勢在於將單純的預測提升為論證過程，使醫生不僅看到結果，還能理解推理鏈條及其潛在侷限性。研究人員認為，這種方法特別適用於高風險醫療場景，如眼底疾病診斷，其中錯誤的代價極高。未來工作可能包括在真實臨牀數據上驗證該框架，並探索其在其他醫學影像領域的適用性。此外，該框架還可擴展到其他領域的ML決策支持系統，例如病理學或放射學，進一步提高AI輔助診斷的透明度和可信度。