نظرًا لعدم توازن البيانات وقلة كمّها، غالبًا ما تفشل طرق التجزئة الطبية شبه المراقبة في تحقيق أداء متميز لفئات معينة ذات خصائص مميزة. وقد يؤدي نقص التدريب لهذه الفئات المحددة إلى إدخال كميات أكبر من الضوضاء في التسميات الوهمية المُولَّدة، مما يؤثر سلبًا على عملية التعلم الشاملة. ولتخفيف هذه النقطة الضعيفة وتحديد الفئات التي تُظهر أداءً ضعيفًا، نقترح الحفاظ على مصفوفة ثقة تُسجّل أداء الفئة في كل مرحلة من مراحل التدريب. كما نقترح دمجًا ضبابيًا (Fuzzy Fusion) لهذه الدرجات الثقة، بهدف تخصيص أولوية تلقائية لكل مقياس ثقة فردي لكل عينة، بدلًا من الطرق التقليدية للتركيب (Ensemble)، التي تُخصّص أوزانًا ثابتة مُحددة مسبقًا لجميع الحالات المُختبرة. علاوة على ذلك، نقدّم طريقة عينة متميزة حسب الفئة، بالإضافة إلى استقرار ديناميكي، لتحقيق استراتيجية تدريب أفضل. يأخذ طريقة الاقتراح بعين الاعتبار جميع الفئات ذات الأداء الضعيف من خلال تطبيق أوزان ديناميكية، ويسعى إلى إزالة معظم الضوضاء أثناء التدريب. وعند تقييم الأداء على مجموعتي بيانات صور الرنين المغناطيسي للقلب (ACDC وMMWHS)، أظهرت الطريقة المقترحة كفاءة وقابلية تعميم عالية، وتفوقت على عدة طرق حديثة متطورة وردت في الأدبيات العلمية.