يقضي الطبيب سنوات في تعلم التعرف على الأمراض من صور الدماغ. في البداية، يرى علامات الشيخوخة بوضوح، ثم يتقن التعرف على الأورام — وفجأة يبدأ في الخلط بين ما كان يعرفه سابقًا. وهذا هو الحال تقريبًا مع العديد من الشبكات العصبية: المعرفة الجديدة تمحو القديمة. تُعرف هذه الظاهرة بالنسيان الكارثي (catastrophic forgetting) — عندما تفقد النماذج المدربة على مهمة جديدة دقتها في المهام السابقة.

النموذج الجديد Alcmaeon يحل هذه المشكلة باستخدام نهج يشبه تدوين الملاحظات على هوامش الكتاب الدراسي. تحدد طريقة Graph-Blueprint Pruning في الشبكة "ملاحظات أساسية" — وهي مجموعات من الروابط (أوزان الخلايا العصبية) الحاسمة للأمراض التي تم تعلمها بالفعل. يتم تجميد هذه الملاحظات، أي أن أوزانها لا تتغير أثناء التعلم اللاحق، بينما يستمر باقي الشبكة في التعلم بحرية على البيانات الجديدة. تم اختبار النموذج على أربعة مجالات: الشيخوخة الصحية، والتنكس العصبي، ونمو الدماغ، والأورام. عند الانتقال إلى الأورام، تم الحفاظ على المهارات القديمة بشكل أفضل — لم تنسَ الشبكة رؤية ما كانت تراه من قبل.

من المثير للاهتمام أن "الملاحظات" اختلفت باختلاف المهام. بالنسبة لتصنيف الأمراض، عملت طبقات معينة من الشبكة بشكل أفضل، بينما كانت طبقات أخرى أفضل للتنبؤ بالبقاء على قيد الحياة. لم يتم العثور على وصفة عالمية، لكن النهج نفسه يعطي أملًا في إنشاء مساعدين طبيين دائمين حقًا. فالدماغ، على عكس الكمبيوتر، يعرف كيف يتعلم طوال حياته دون مسح الذكريات القديمة — وAlcmaeon يخطو خطوة في هذا الاتجاه.