通过模仿人类医生的培训路径，KnoBo在医学图像识别方面取得了新的突破。目前，训练人工智能解释医学图像的方法很简单：向AI展示带有感兴趣特征（如癌症病变）标签的医学图像，数量足够多，使系统能够识别模式，从而在未标记的图像中识别这些特征。
尽管过去十年发表了超过14,000篇关于AI和放射学的学术论文，但结果大多不准确。宾夕法尼亚大学工程与应用科学学院计算机与信息科学系（CIS）助理教授马克·亚茨卡尔（Mark Yatskar）提到神经网络架构时说：“神经网络很容易陷入虚假的相关性。”他指的是这种模仿生物神经元的AI架构，它支持从ChatGPT到图像识别软件的各种工具。“它会走捷径，而不是像人类那样做决策。”
在一篇新论文中，亚茨卡尔与CIS教授克里斯·卡利森-伯奇（Chris Callison-Burch）以及第一作者、博士生岳洋（Yue Yang，由卡利森-伯奇和亚茨卡尔指导）介绍了一种通过模拟人类医生的培训路径来开发用于医学图像识别的神经网络的新方法。“通常情况下，AI系统的做法是向系统提供大量数据，让它自己找出规律，”亚茨卡尔说，“这实际上与人类学习的方式非常不同——医生有一个多步骤的学习过程。”
该团队的新方法有效地让AI进入医学院，通过教科书、国家医学图书馆的学术数据库PubMed以及在线公司StatPearls提供的实践考试题目，向AI提供一套固定的医学知识。“医生在医学院里花费数年时间从教科书和课堂上学习，然后才开始正式的临床培训，”亚茨卡尔指出，“我们试图模仿这一过程。”
(全文结束)
