近日，深圳大学医学部生物医学工程学院汪天富教授团队的研究成果《Parameter-Free Loss for Class-Imbalanced Deep Learning in Image Classification》在人工智能领域顶级期刊IEEE Transactions on Neural Networks and Learning Systems（2020 IF: 10.451）上发表。该研究为汪天富教授团队和澳门大学黄志文教授团队合作完成。团队成员助理教授杜杰为第一作者，硕士研究生周艳红为第二作者，深圳大学为第一署名单位。

在临床上，阴性样本的数据量往往远高于阳性样本，即医疗数据存在严重的类别不平衡问题，导致假阴性率增加。假阴性不仅会导致临床上对疑似患者不能快速确诊，而且可能会增加其他人感染的风险。但大部分现有方法为了降低模型的假阴性率，需要依赖超参数才能使模型重点关注阳性样本。这就导致模型在实际应用中需要不断地调整超参数以适应实际数据。不论对于医疗产品的开发者，还是实际使用产品的医生，调整超参数都是非常困难和费时的。该研究提出了一种全新的Parameter-Free loss用于处理类别不平衡问题，其优势体现在：1）由于该方法不需要根据训练数据调整超参数，训练时间大幅度下降；2）当数据不平衡比率动态变化时（即在动态变化的环境下），该方法可以动态且自动地关注阳性样本；3）得益于其强大的自适应能力和对异常样本的鲁棒性，该方法的性能优于当前最先进的3种类别不平衡损失函数。

该研究获得了国家自然科学基金、深圳市孔雀计划等项目资助。