Effektives semisupervises Lernen (SSL) in der medizinischen Bildanalyse (MIA) muss zwei Herausforderungen bewältigen: 1) effektiv sowohl bei Mehrklassen- (z. B. Läsionsklassifizierung) als auch Mehrlabelsproblemen (z. B. Diagnose mehrerer Krankheiten) arbeiten und 2) unbalanciertes Lernen handhaben (aufgrund der hohen Varianz in der Krankheitsprävalenz). Eine Strategie, die im SSL-MIA untersucht werden kann, basiert auf dem Pseudobeschriftungsansatz, hat jedoch einige Nachteile. Pseudobeschriftung weist im Allgemeinen eine geringere Genauigkeit als Konsistenzerfassung auf, ist nicht speziell für Mehrklassen- und Mehrlabelsprobleme ausgelegt und kann durch unbalanciertes Lernen beansprucht werden. In dieser Arbeit schlagen wir im Gegensatz zu traditionellen Methoden, die sichere Pseudobeschriftungen durch Schwellenwerte auswählen, einen neuen SSL-Algorithmus vor, den wir Anti-Curriculum Pseudobeschriftung (ACPL) nennen. Dieser Algorithmus führt innovative Techniken ein, um informative unbearbeitete Stichproben auszuwählen, verbessert das Trainingsgleichgewicht und ermöglicht es dem Modell, sowohl für Mehrlabels- als auch für Mehrklassenprobleme zu arbeiten. Zudem schätzt er Pseudobeschriftungen durch eine genaue Ensemble von Klassifikatoren (was die Genauigkeit der Pseudobeschriftungen erhöht). Wir führen umfangreiche Experimente durch, um ACPL an zwei öffentlichen Benchmarks für die Klassifizierung medizinischer Bilder zu evaluieren: Chest X-Ray14 für die Mehrlabels-Klassifizierung von Thoraxkrankheiten und ISIC2018 für die Mehrklassen-Klassifizierung von Hautläsionen. Unsere Methode übertrifft auf beiden Datensätzen die bisher besten SSL-Methoden (SOTA).