当人类放射科医生检查扫描结果时，他们会透过数十年的训练来审视。从大学到医学院再到住院医师培训，医生解读 X 光片的整个过程包括成千上万个小时的学习，既有学术的也有实践的，从准备执照答案 到成为住院医师，一共需要花费数年时间。

目前，人工智能(AI)解释医学图像的训练途径更加简单：向AI展示标有感兴趣特征(如癌变)的医学图像，数量足够大，以便系统识别允许其在未标记图像中“看到”这些特征的模式。

尽管过去十年中，关于人工智能和放射学的学术论文已发表14,000 多篇，但成果充其量也只是中等水平。2018 年，斯坦福大学的研究人员意识到，他们训练的用于识别皮肤病变的人工智能错误地标记了包含标尺的图像，因为大多数恶性病变图像中也包含标尺。

“神经网络很容易因虚假相关性而过度拟合，”计算机与信息科学 (CIS) 助理教授 Mark Yatskar 表示，他指的是模拟生物神经元并为 ChatGPT 和图像识别软件等各种工具提供支持的 AI 架构。“它不会像人类那样做出决定，而是会走捷径。”

在一篇将在NeurIPS 2024上作为焦点分享的新论文中，Yatskar 与 CIS 教授 Chris Callison-Burch 以及第一作者、由 Callison-Burch 和 Yatskar 指导的博士生 Yue Yang 一起介绍了一种通过模拟人类医生的训练路径来开发用于医学图像识别的神经网络的新方法。该论文发表在arXiv预印本服务器上。