近日，实验室由2022级博士生苏皖，2021级硕士生王帆共同一作的一篇论文“Transferable Discriminative Learning for Medical Open-Set Domain Adaptation: Application to Pneumonia Classification”（作者：苏皖，王帆，韩忠义，尹义龙）被CCF B类会议 BIBM 录用。BIBM是生物信息学领域的重要国际会议。

以前的肺炎分类算法在封闭和静态环境下在临床诊断中取得了成功。但是，它们在开放动态的环境下可能会失去了鲁棒性。因为在现实生活中，不同医院检测出的X光数据分布是不同的，并且生活中可能会突然爆发新的疾病（比如 covid-19）。在本文中，我们将此问题形式化为医学领域的开放集域适应问题，我们发现解决该问题的关键挑战是准确检测与公共类肺炎样本差异甚微的开放类样本（新型肺炎样本）。为了实现这一目标，我们提出了可迁移的判别学习。在分布差异和开放类出现的情况下，我们成功实现了鲁棒的肺炎分类。首先，我们提出基于高密度的可迁移聚类模块来检测开放类样本并获得可靠的公共类样本。其次，我们提出可迁移的三元组损失来扩大公共类和开放类之间的语义特征差异。最后，我们设计可迁移的评分函数来有效地检测开放类样本。一系列实验研究表明，我们的算法明显优于最先进的方法。该结果证明了其作为医学领域临床工具的潜力。