近日，医学部生物医学工程学院汪天富教授团队在人工智能领域顶级国际期刊《IEEE Transactions on Neural Networks and Learning Systems》（中科院大类一区，TOP期刊，IF:14.255）上发表了系列研究成果。

工作一

在医学图像数据中，不同疾病或病变的样本数量往往存在严重的不平衡，即某些类别的样本数量远远少于其他类别。这种类别不平衡可能导致传统的机器学习方法在对少数类别进行准确分类和诊断时表现不佳。针对该问题，该团队在IEEE TNNLS上发表题为“An Adaptive Deep Metric Learning Loss Function for Class-Imbalance Learning via Intraclass Diversity and Interclass Distillation”的研究论文，提出了一种全新的类别不平衡问题学习范式。与以往基于预测空间的不平衡学习方法不同，该范式建立在特征空间，并通过最小化“类内多样性损失”和“类间蒸馏损失”来提高少数类别的识别准确性，并避免过拟合多数类别。理论推导和大量实验证明了这一新提出范式的有效性。此外，该研究还提出了“可学习语义相似性”和“自适应权重调整”方法，这两种方法都有效地提高了医学图像分类的准确率。

论文第一作者是助理教授杜杰，硕士研究生张晓慈为第二作者，深圳大学为第一署名单位。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，并得到了国家自然科学基金、广东省自然科学基金等项目的支持。

研究成果链接：https://ieeexplore.ieee.org/document/10167686

工作二

在临床上，医学图像数据随时间不断增加。增量学习算法允许系统在不重新训练整个模型的情况下，利用新数据进行实时更新和学习，以适应不断变化的临床环境。但是，深度神经网络在增量式学习新数据时，模型参数被覆写，发生灾难性遗忘。针对该问题，该团队在IEEE TNNLS上发表题为“Class-Incremental Learning Method With Fast Update and High Retainability Based on Broad Learning System”的研究论文，提出了全新的“类关联损失函数”和“类增量递推更新规则”。通过使用“类关联损失函数”，新提出的模型能够在学习新类数据时充分考虑新旧类数据之间的关联关系，从而更好地保留旧类样本的知识。与此同时，通过使用“类增量递推更新规则”，新提出的模型在增量学习过程中能够持续学习新知识，并在不使用旧类样本的前提下，保留旧知识。

论文第一作者是助理教授杜杰，深圳大学为第一署名单位。该研究为汪天富教授团队、华南理工大学陈俊龙教授团队、澳门大学黄志文教授团队合作完成，并得到了国家自然科学基金、广东省自然科学基金等项目的支持。

研究成果链接：https://ieeexplore.ieee.org/document/10086560