新年新气象！实验室2019级博士生韩忠义作为第一作者的论文“Semi-Supervised Screening of COVID-19 from Positive and Unlabeled Data with Constraint Non-Negative Risk Estimator”（作者：韩忠义，何润东，李天阳，魏本征, 王建, 尹义龙）被国际会议Information Processing in Medical Imaging (IPMI 2021)录用。IPMI是医学图像处理领域顶级会议(两年一届)。

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。自动筛查在对抗这一流行病的过程中起着至关重要的作用，之前的很多工作在设计有效的筛查模型方面非常成功。然而，在半监督学习环境下，只有正向和未标记（PU）的数据时，它们将失去有效性，而这些数据很容易在临床上收集。本文报告了我们对从PU数据中实现COVID-19半监督筛选的尝试。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，当给出有限的正向数据时，它比以前的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，避免在无标签数据上的过拟合。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明显优于目前的技术水平。这些优势使我们的算法在COVID-19的半监督筛查中成为一个强大而有用的计算机辅助工具。