从ML预测到知情诊断辅助：利用图尔敏论证模型提升AI医疗可解释性
近年来，人工智能在医学影像诊断领域取得了显著进展，但“黑箱”问题始终是临床采纳的主要障碍。单纯依赖机器学习模型的输出，医生难以判断其可靠性与推理过程。针对这一痛点，来自罗马尼亚的研究团队在最新预印本论文中提出了一种基于**图尔敏论证模型（Toulmin model of argumentation）**的结构化诊断框架，旨在将ML预测转化为可解释、可批判的临床辅助信息。
图尔敏模型与诊断分解
图尔敏模型是论证理论中的经典框架，包含六个要素：主张（claim）、依据（grounds）、保证（warrant）、限定词（qualifier）、反驳（rebuttal）和支撑（backing）。研究团队将眼底图像诊断任务按此结构分解：
- 主张：ML模型生成的诊断结果（例如“该患者患有糖尿病视网膜病变”）。
- 依据：由专门提取影像生物标志物的模型提供，即图像中可量化的病变特征。
- 保证：连接依据与主张的推理规则，由具备医学知识的智能体（论文中采用 MedGemma 模型）进行分析。
- 限定词：基于对保证和依据模型的整体量化评估，给出诊断的可信度（如“很可能”“可能”）。
- 反驳：利用 MedSigLip 计算图像相似度，找出与当前病例相似但诊断不同的案例，作为潜在的反驳证据。
- 支撑：背景医学知识库或临床指南。
最终，所有这些组件被呈现给临床专家，使其能够对ML生成的诊断进行更深入、更具批判性的评估，而非盲目接受。
架构亮点：多智能体协作
该框架的核心创新在于将论证理论与多智能体系统结合。不同于传统的可解释AI（XAI）方法（如热力图），论证模型提供了结构化的推理链路：医生可以查看依据是否充分、保证是否合理、是否存在反驳案例。例如，如果模型诊断“阳性”，但依据中的生物标志物不明显，且存在相似的反驳案例，医生就可以更谨慎地对待该结果。
研究团队在视网膜诊断场景中验证了该架构。MedGemma作为医学知识丰富的智能体，负责评估保证的合理性；MedSigLip则通过多模态对比学习，高效检索相似影像，为反驳构建提供依据。这种设计不仅提升了透明度，还保留了人类专家的最终决策权。
行业意义与挑战
在AI医疗落地过程中，可解释性与信任是关键瓶颈。图尔敏论证模型提供了一种超越简单“解释”的路径——它模拟了临床医生之间的论证过程，让AI的推理更接近人类思维。然而，该框架仍面临挑战：保证模型的准确性高度依赖医学知识图谱的质量；反驳构建需要大规模的标注数据集；此外，如何将复杂的论证结构以直观的界面呈现给医生，也是实际部署中需解决的问题。
尽管如此，这项研究为AI辅助诊断开辟了新的方向：从“提供答案”转向“提供论证”。未来，随着多模态大模型和知识图谱的进步，基于论证模型的诊断系统有望在更多科室落地，真正成为医生的“第二意见”而非“黑箱工具”。
论文标题：From ML Predictions to Informed Diagnostic Assistance Using the Toulmin Model of Argumentation
作者：Anca Marginean, Adrian Groza
论文地址：https://arxiv.org/abs/2607.09664