这项由香港科技大学（广州）和香港科技大学联合开展的突破性研究发表于2025年的NeurIPS会议，有兴趣深入了解的读者可以通过论文编号arXiv:2601.10124v1查询完整论文。
医学图像分析就像医生看X光片一样，需要准确识别病灶位置。但现在的AI医生面临一个尴尬问题：训练数据太少。医院里标注好的图像就像教科书，数量有限且制作成本昂贵，需要专业医生花费大量时间仔细标记每个病灶。
为了解决这个问题，科学家们想出了一个聪明的办法，叫做半监督学习。这就像让学生既用教科书学习，又通过大量没有标准答案的练习题来提升能力。在这个过程中，有一种叫做"特征丢弃"的技术被广泛使用，它的工作原理类似于故意制造一些"噪音"来增强AI的抗干扰能力。
然而，这种传统的丢弃技术就像调音师调节音响设备一样，需要非常精确地控制"丢弃率"这个参数。如果丢弃得太少，就像音量开得太小，起不到锻炼效果；如果丢弃得太多，就像音量开得震耳欲聋，反而会损坏系统。研究团队通过大量实验发现，当丢弃率超过70%时，AI的表现会急剧下降，甚至产生完全无法使用的结果。
