X線データの分類は、理論的にも臨床的にも興味深い課題である。教師あり深層学習手法は大量のラベル付きデータに依存しているが、極めて少量のラベル付きデータしか利用できない場合でも高い分類精度を達成するという重要な問題はまだ解決されていない。本研究では、グラフベースの最適化モデルに基づく新しい半教師ありフレームワークを提案する。当該手法がX線データの分類にグラフベースの半教師あり学習を利用する最初の方法であると自負している。さらに、限られた数のラベルと大量の非ラベルデータとのシナジーを強化し、滑らかな解を得ることを可能にする新しい多クラス分類関数を導入する。数値実験と視覚的な実験を通じて示した結果によれば、当該手法はChestX-ray14データセットにおいて競争力のある結果を生み出すとともに、アノテーションデータの必要性を大幅に削減することが確認された。（注：「class priors」については一般的な訳語として「クラス事前確率」を使用しましたが、「クラス事前情報」という訳語も考えられます。）