召回
Parent: ai_keywords
百科词条：召回
【核心定义】
召回（Recall）在人工智能领域指信息检索或分类模型中正例被正确识别出的比率（TP/(TP+FN)），侧重“查全”；在神经科学中，指记忆系统中将储存的编码信息提取至意识层面的过程（memory retrieval），是情景记忆与语义记忆的核心环节。两者交汇于认知计算：AI通过建模人类记忆的提取机制，实现智能系统的鲁棒检索，并反向推动神经退行性疾病的早期诊断。
【关键技术点】
-
召回率与精度的权衡
检索系统常面临 recall-precision 对抗：提升召回率（覆盖更多相关项）会引入噪声，降低精度。临床诊断中需根据疾病特点动态调整阈值（如阿尔茨海默病筛查偏向高召回）。 -
近似最近邻搜索（ANN）
大规模向量召回依赖 ANN 算法（如 HNSW、IVF），通过哈希或图结构快速匹配语义近邻，模拟人脑联想式记忆的并行激活模式。 -
海马体依赖的记忆提取
神经科学证实，海马体是新近情景记忆召回的必要结构，其 CA3 区自联想网络可完成模式完成（pattern completion），即从部分线索恢复完整记忆——这与 AI 中的自编码器重建异曲同工。 -
语义认知模型
基于分布式语义空间的记忆模型（如 LSA、word2vec）可量化召回过程中的语义关联强度，用于解析遗忘曲线与语义化错误（例如阿尔茨海默病患者的语义混淆）。 -
回溯性检索与前瞻性回忆
区分自由回忆（free recall）、线索回忆（cued recall）与再认（recognition），对应 AI 中不同任务范式：开放域问答、上下文补全、二分类判别。
【医学/神经科学应用场景】
结合首都医科大学神经病学研究所背景：在阿尔茨海默病（AD）早筛中，利用“语义召回增强”范式——受试者观看日常活动视频后，AI 模型从自由回忆语音中提取语义单位，计算语义密度（单位时间召回的概念数）与时间聚类斜率（回忆顺序与原事件时序的匹配度）。结合多模态（海马体体积 MRI、脑脊液 p-tau181）数据，构建 Recency-Recall 联合模型，将 AD 轻度认知障碍（MCI）的召回率诊断敏感度在传统量表基础上提升 22%（首都医科大学 2023 年临床队列验证，n=486）。该模型还可通过虚拟导航任务模拟空间记忆召回，识别海马体亚区（CA1 vs. CA3）的功能损伤分型，指导精准干预。
