Este artículo se centra en el problema del sesgo en los modelos de diagnóstico médico, específicamente el sesgo de clase-característica causado por la dependencia de características fuertemente correlacionadas con un subconjunto de clases específicas. Este sesgo conduce a un bajo rendimiento del modelo y capacidad de generalización. Presentamos un método para entrenar un modelo sin sesgo de clase (Cls-unbias) que mitiga simultáneamente tanto el desequilibrio de clase como el sesgo de clase-característica. Específicamente, proponemos una pérdida de desigualdad clase por clase, que asegura que las muestras de clase positivas y negativas contribuyan por igual a la pérdida de clasificación, y un objetivo de optimización distribucionalmente robusto de grupo clase por clase, que es un objetivo de entrenamiento ponderado por clase que aumenta los pesos de las clases de bajo rendimiento. Demostramos experimentalmente el impacto negativo del sesgo de clase-característica en el rendimiento del modelo utilizando conjuntos de datos sintéticos y del mundo real, y demostramos que el método propuesto mitiga eficazmente tanto el sesgo de clase-característica como el desequilibrio de clase, mejorando así la capacidad de generalización del modelo.
