在本文中，我们提出了一种结构化和可解释的评估方法，通过图尔敏模型将基于图像的诊断分解为多个组成部分。该模型包括主张、依据、证明、限定词、反驳和支持。
以机器学习（ML）模型生成的视网膜诊断主张为例，我们不能仅仅接受这一主张，而是可以采用可解释的人工智能（XAI）方法或基于论证的方法。
我们的框架中，一个专门用于从图像中提取生物标志物的模型提供了依据。将依据与主张关联的证明由一个具备医学知识的代理分析；在我们的架构中，这一角色由 MedGemma 代理承担。
限定词则基于对证明和依据模型的整体定量评估确定。最后，利用 MedSigLip 计算的图像相似性度量构建反驳。这些组成部分均呈现给人类专家，使其能够对 ML 生成的诊断进行更为全面和批判性的评估。
博主点评： 本文通过图尔敏模型为机器学习在医学诊断中的应用提供了一个创新的框架，强调了解释性的重要性。尤其是在医疗领域，透明度和可解释性对提高医生的信任度和决策质量至关重要。