图尔敏模型赋能ML诊断：从预测到可解释辅助

机器学习在医学诊断领域展现出巨大潜力，但其“黑箱”特性常令临床专家对模型输出存疑。传统可解释人工智能方法虽能提供部分透明度，却缺乏逻辑严谨性。最新发表于arXiv的论文《From ML Predictions to Informed Diagnostic Assistance Using the Toulmin Model of Argumentation》提出了一种创新框架，将哲学领域的图尔敏论证模型引入AI诊断流程，旨在为医生提供结构化的、可批判性审视的诊断建议。

图尔敏模型由英国哲学家斯蒂芬·图尔敏提出，包含主张、依据、保证、限定词、反驳和支撑六个要素。研究团队以视网膜疾病诊断为场景，将机器学习模型的预测视为“主张”。例如，模型判断某张眼底图像显示糖尿病视网膜病变。传统做法是直接接受或拒绝该结论，而新框架则要求模型为这一主张提供完整的论证链条。

在具体实现中，框架首先利用一个专门从图像中提取生物标志物的模型提供“依据”。这些生物标志物包括微动脉瘤、出血点、渗出物等，是医生诊断的关键参考。随后，一个配备医学知识的AI代理——论文中采用MedGemma——负责分析“保证”，即解释为何这些生物标志物的存在能支持当前诊断结论。MedGemma基于大语言模型，能调用医学知识库，生成类似“微动脉瘤是糖尿病视网膜病变的早期体征，因此该发现支持当前诊断”的推理过程。

“限定词”则根据对依据模型和保证模型整体定量评估得出。如果依据提取准确率高、保证推理逻辑强，限定词就会给出较高的置信度；反之则降低。这一机制让医生能直观了解模型对其结论的把握程度。

尤为关键的是“反驳”环节。框架利用MedSigLip计算当前图像与已知病例库中相似图像的相似度，若发现存在与模型主张相矛盾的相似病例，则生成反驳论据。例如，若某图像在生物标志物上与良性病变高度相似，但模型却诊断为恶性，反驳模块会提示医生注意这一矛盾，从而避免误判。所有论证组件最终以结构化报告形式呈现给人类专家，医生可以逐项审查依据是否可靠、推理是否合理、反驳是否成立，从而做出更明智的最终诊断。

与传统XAI方法相比，图尔敏模型框架的优势在于其逻辑完备性。XAI通常只提供特征重要性或注意力热图，而图尔敏模型要求模型不仅说明“哪里重要”，还要解释“为什么重要”以及“可能哪里有问题”。这种论证式输出更符合临床决策的实际流程——医生在诊断时本就会在脑海中构建类似的论证链条。

研究团队在论文中详细描述了架构设计，并指出该方法可推广至其他医学影像诊断领域，如胸部X光片、病理切片等。未来工作将聚焦于大规模临床验证，以及如何让MedGemma代理更精确地结合患者病史等非图像信息。这一研究为AI辅助诊断提供了一种新的范式：从“给出答案”转向“给出论证”，让AI真正成为医生的思辨伙伴，而非简单的预测工具。