Cet article se concentre sur le problème des biais dans les modèles de diagnostic médical, et plus particulièrement sur le biais de caractéristiques de classe causé par la dépendance à des caractéristiques fortement corrélées à un sous-ensemble de classes spécifiques. Ce biais entraîne de faibles performances du modèle et une faible capacité de généralisation. Nous présentons une méthode d'entraînement d'un modèle sans biais de classe (Cls-unbias) qui atténue simultanément le déséquilibre de classe et le biais de caractéristiques de classe. Plus précisément, nous proposons une perte d'inégalité par classe, qui garantit que les échantillons de classes positifs et négatifs contribuent de manière égale à la perte de classification, et un objectif d'optimisation robuste sur le plan de la distribution des groupes par classe, qui est un objectif d'entraînement pondéré par classe qui augmente la pondération des classes sous-performantes. Nous démontrons expérimentalement l'impact négatif du biais de caractéristiques de classe sur les performances du modèle à l'aide d'ensembles de données synthétiques et réelles, et démontrons que la méthode proposée atténue efficacement le biais de caractéristiques de classe et le déséquilibre de classe, améliorant ainsi la capacité de généralisation du modèle.
