El artículo presentado en ArXiv (2026) propone una nueva forma de abordar los diagnósticos asistidos por IA, pasando de predicciones opacas a una evaluación estructurada y argumentativa basada en el modelo Toulmin de argumento. Este enfoque busca transformar una simple salida de clasificación en una cadena de razonamiento transparente, permitiendo al profesional sanitario revisar cada paso con criterio crítico.

En este marco, la “claim” corresponde al diagnóstico generado por el modelo de aprendizaje automático (ML) para la retina; el “grounds” se obtiene de un modelo especializado en extracción de biomarcadores visuales; el “warrant” es analizado por un agente MedGemma que incorpora conocimientos médicos para conectar la evidencia con la claim; el “qualifier” se determina mediante una evaluación cuantitativa conjunta de la calidad del grounds y del warrant; el “rebuttal” se construye a partir de medidas de similitud de imágenes implementadas con MedSigLip; y el “backing” engloba la validación global del pipeline.

Al separar la cadena de razonamiento en estos componentes, el enfoque permite al profesional sanitario revisar cada paso, cuestionar la solidez del argumento y comprender mejor la fuente de la predicción, algo que los métodos tradicionales de XAI no siempre logran. Mientras XAI muestra atributos relevantes de la imagen, el análisis Toulmin verifica la coherencia lógica entre la evidencia, la regla de inferencia y la conclusión, lo que reduce la propensión a errores sistemáticos.

Desde el punto de vista técnico, la arquitectura emplea una red de extracción de biomarcadores como base, un agente MedGemma que actúa como razonador médico y un componente MedSigLip para comparar imágenes y generar contra‑argumentos, creando un ciclo de retroalimentación que enriquece la decisión clínica.

Los beneficios potenciales son claros: mayor confianza del clínico en la IA, mejor seguridad del diagnóstico, apoyo a la toma de decisiones compartida y alineación con regulaciones emergentes que exigen explicabilidad y trazabilidad en entornos de salud.

No obstante, el trabajo aún enfrenta retos significativos: la necesidad de validar los componentes en cohortes amplias y diversas para garantizar su generalización, la integración con sistemas de historia clínica electrónica que requiera estándares de interoperabilidad, y la aceptación por parte de profesionales que pueden percibir la argumentación como un proceso adicional, lo que subraya la importancia de diseñar interfaces intuitivas y de proporcionar capacitación adecuada.

Para los profesionales hispanohablantes, la adopción de marcos argumentativos como el modelo Toulmin reviste una importancia particular, pues muchos sistemas de IA en el ámbito de la salud todavía carecen de transparencia y están diseñados mayormente con datos y normas anglosajonas. Incorporar este esquema permite adaptar la explicación a contextos clínicos y culturales locales, facilitando la confianza del médico y del paciente en entornos donde la toma de decisiones compartida es crucial. Además, al estructurar la argumentación, se favorece la capacitación continua y la difusión de buenas prácticas, elementos esenciales en regiones donde la brecha digital y la escasez de especialistas pueden limitar el impacto de la IA. Así, el modelo no solo mejora la precisión diagnóstica, sino que también impulsa una adopción más equitativa y sostenible de la tecnología en los países de habla hispana.

Las futuras líneas de investigación se centran en validar el pipeline con cohortes multirraciales y multimodales, incorporar feedback de los clínicos en tiempo real y desarrollar interfaces que presenten la argumentación de forma visual y accesible. Asimismo, se plantea la necesidad de estudios de impacto clínico que midan la reducción de errores diagnósticos y la mejora de la toma de decisiones compartida. En el plano regulatorio, la normativa europea y los borradores de la FDA están exigiendo explicabilidad y trazabilidad, lo que posiciona a este enfoque como candidato viable para cumplir con los requisitos de certificación. La combinación de argumentación estructurada y técnicas de IA explicables abre la puerta a una integración más natural en flujos de trabajo hospitalarios, acelerando la transición de la investigación a la práctica clínica cotidiana.