أظهرت الدراسات المتعلقة بالتقطيع الطبي شبه المُراقبة وعودًا كبيرة في تدريب النماذج باستخدام كميات محدودة من البيانات المُعلمة. ومع ذلك، قد تعاني الطرق السائدة حاليًا القائمة على نموذج المُعلّم والطالب من انحياز التأكيد. لمعالجة هذه التحديات، نقترح AD-MT، وهي طريقة تدريس متناوبة ومتنوعة ضمن إطار المُعلّم والطالب. تعتمد هذه الطريقة على نموذج طالب واحد، ونموذجين مُعلّمين غير قابلين للتدريب، يتم تحديثهما باستخدام متوسط متحرك بشكل دوري وعشوائي بطريقة متتابعة. ولتقليل تأثير انحياز التأكيد الناتج عن الإشراف المتنوع، تكمن النقطة الأساسية في AD-MT في وحدتين مُقترحتين: وحدة التحديث المتناوب العشوائي الدوراني (RPA) ووحدة مكافحة التناقض (CCM). تُنظّم وحدة RPA عملية التحديث المتناوبة المتنوعة باستخدام مجموعات بيانات مكملة، وتحسينات بيانات مختلفة، وفترات تبديل عشوائية، بهدف تشجيع تفكير متنوع من منظورين تعليميين مختلفين. أما وحدة CCM، فتستخدم استراتيجية تجميع تعتمد على الانتروبيا لتشجيع النموذج على التعلّم من التنبؤات المتناسقة والمتناقضة بين المُعلّمين. أظهرت النتائج التجريبية فعالية AD-MT وتفوّقها على معايير التقطيع الطبي ثنائية وثلاثية الأبعاد في مختلف السياقات شبه المُراقبة.