Naukowcy zaproponowali nową metodę diagnostyki medycznej, która zamiast polegać na czarnej skrzynce predykcji AI, rozkłada diagnozę na logiczne komponenty zgodnie z modelem argumentacji Toulmina. Podejście to wprowadza strukturę składającą się z sześciu elementów: roszczenia (claim) generowanego przez model ML, faktycznych dowodów (grounds) z wyekstrahowanych biomarkerów, uzasadnienia (warrant) które łączy dowody z roszczeniem, kwalifikatora (qualifier) określającego pewność, obstawienia (rebuttal) pokazującego alternatywne interpretacje oraz wsparcia (backing) dla całego argumentu.
W praktycznym systemie rola dowodów przypadła specjalistycznemu modelowi ekstrakcji biomarkerów z obrazów medycznych. Kluczową rolę pełni agent MedGemma - model oparty na medycznej wiedzy, który analizuje połączenia pomiędzy dowodami a wnioskami lekarza. Dodatkowo system wykorzystuje MedSigLip do obliczania podobieństwa obrazów, co pozwala na konstruowanie przekonujących obstawień poprzez pokazanie podobnych przypadków z archiwów.
To podejście wyraźnie zmienia paradygmat wspomagania diagnostycznego w medycynie. Zamiast Accept-or-Reject dilematu z tradycyjnymi systemami AI, lekarz otrzymuje pełny przezroczysty łańcuch argumentacyjny. Pozwala to na bardziej świadome i krytyczne podejście do diagnoz, gdzie ekspert medyczny nie tylko akceptuje lub odrzuca sugestię AI, ale rozumie całe rozumowanie stoją za nią. Taka struktura jest szczególnie istotna w diagnostyce medycznej, gdzie bezpieczeństwo pacjenta i odpowiedzialność kliniczna są priorytetami.