흉부 X-ray 분류 문제는 14종의 흉부 질환에 대한 다중 레이블 분류(multi-label classification)를 수행하는 문제이다. 현재 딥러닝 기반의 의료영상 분석기술은 방사선 전문의의 판독 능력을 능가하는 정확도를 보일 정도로 발전하였다. 하지만, 의료영상 학습에 사용하는 샘플 데이터를 만드는 것(labeling)은 전문가가 필요한 영역이고 큰 비용과 시간이 소요된다. 또, 흉부 질환의 데이터 분포는 불균형 데이터 분포를 가진다. 예를 들어, 침윤(infiltration)과 탈장(hernia)의 데이터 분포의 차이는 87배에 이른다. 본 연구에서는 의료 현장에서 생각할 수 있는 적은 수의 레이블이 있는 데이터(labeled data)와 레이블이 없는 데이터(unlabeled data)가 존재하는 환경을 구성하고 불균형한 흉부 X-ray 분류의 성능 향상을 위하여 데이터 증강(data augmentation) 알고리즘인 Mixup과 약지도 학습(weakly supervised learning)을 결합하는 방법을 제안한다. 실험결과는 상대적으로 적은 수의 레이블 있는 데이터와 대용량의 레이블이 없는 데이터를 이용하여 Mixup과 약지도 학습을 결합하여 학습을 수행한 결과로 단계적인 성능 향상을 보였다.