近日，研究中心博士生韩忠义的一篇论文“Semi-Supervised Screening of COVID-19 from Positive and Unlabeled Data with Constraint Non-Negative Risk Estimator”被Information Processing in Medical Imaging（IPMI 2021）录用。（论文链接地址：https://doi.org/10.1007/978-3-030-78191-0_47）

论文摘要：随着COVID-19大流行带来了严重的全球危机，我们的卫生系统面临着巨大的压力。自动筛查在对抗这场流行病的斗争中起着至关重要的作用，之前的许多工作在设计有效的筛查模型方面都非常成功。然而，在半监督学习环境下，只有正向和未标记(PU)的数据时，它们将会失去有效性，这些数据在临床上很容易收集。本文报告了我们试图从PU数据中实现对COVID-19的半监督筛选。我们提出了一种新的PU学习方法，称为约束非负性正向无标签学习(cnPU)。它包含了约束非负风险估计器，当给定有限的正向数据时，该方法比以往的PU学习方法对过拟合更加稳健。它还体现了一种新的高效的优化算法，可以使模型在正向数据上有很好的学习效果，避免在未标记数据上的过拟合。据我们所知，这是第一个实现COVID-19的PU学习的工作。一系列的实证研究表明，我们的算法在X射线和计算机断层扫描这两种医学成像模式的真实数据集上的表现显著优于目前的技术水平。这些优势使得我们的算法在COVID-19的半监督筛查中成为一个强大且有用的计算机辅助工具。