Hàm mất mát cross-entropy đang được sử dụng rộng rãi như một tiêu chuẩn cho bài toán phân lớp. Hàm mất mát này có xu hướng ưu tiên các lớp chiếm ưu thế về số lượng, dẫn đến sự thiên lệch trong quá trình học khi tập dữ liệu bị mất cân bằng. Bài báo này trình bày một khảo sát và đánh giá toàn diện ảnh hưởng của ba hàm mất mát tiêu biểu bao gồm Cross-Entropy (CE), Weighted Cross-Entropy (WCE), và Focal Loss (FL) đến hiệu quả phân lớp tập dữ liệu mất cân bằng. 6 mô hình tiêu biểu đã được huấn luyện trước được chọn để thực nghiệm. Tập dữ liệu thực nghiệm gồm 3.064 ảnh cộng hưởng từ bệnh u não, được phân thành 3 lớp bệnh lý. Tập dữ liệu được chia ngẫu nhiên theo tỷ lệ 80:10:10 theo bệnh nhân, tương ứng với tập huấn luyện, tập xác thực và tập kiểm thử. Kết quả thực nghiệm cho thấy hiệu quả phân lớp bệnh u não khi áp dụng hàm mất mát FL đạt kết quả tốt nhất trên 5 trong số 6 mô hình khảo sát. Hàm WCE đạt hiệu quả kém hơn nhiều so với khi sử dụng hàm mất mát FL.