医療分野では、診断、治療、および管理システムの効率を高めるために、機械学習と深層学習の導入が急速に進んでいる。しかし、この急速な普及は、多大な計算能力とエネルギー消費、さらには電子廃棄物の処理や二酸化炭素排出というコストを伴っている。これらのモデルにおける課題の一つは、分類タスクに適切なモデルを選択することである。従来、研究者は自身のデータを用いて試行錯誤的に最適なモデルを特定しようとするが、このプロセスはエネルギー消費と廃棄物を生み出す。
この問題に対処するため、新たな研究では、医療画像分類のためのモデルベースのレコメンダーシステム「MedicalRec」が提案された。このシステムの核心は、タスクの特徴と利用可能なデータに基づいて最適なモデルを自動的に推薦し、多数の候補モデルをゼロから訓練・評価する手間を省くことにある。研究チームは、医療画像分類分野の3,000件の論文からデータを収集し、「MedicalRec-Bench」という公開データセットを構築した。このデータセットには、皮膚がん分類、腫瘍分類、創傷分類、乳がん分類、MRI分類など、さまざまなタスクでテストされた5,000件以上のモデル記録が含まれている。
MedicalRec-Benchデータセットの顕著な特徴は、多くの論文の著者がすべての必要な特徴を報告していないため、多数の欠損値を含んでいることである。情報の完全性の異なるシナリオに対応するため、研究チームはデータセットを4つのモードに分割した：MedicalRec I（5特徴）、MedicalRec II（9特徴）、MedicalRec III（11特徴）、MedicalRec IV（18特徴）である。特徴の数が多いほどシステムが利用できる情報は豊富になるが、同時にデータの完全性に対する要求も高まる。
MedicalRecシステム自体は、Transformerアーキテクチャに基づくレコメンデーションモデルであり、モデル推薦をアイテム推薦問題として扱う。Transformerは特徴間の複雑な関係を捉えるのに優れており、疎で欠損のあるデータでも効果的な予測が可能である。研究チームはMedicalRec-Benchデータセット上でシステムを評価し、12のベースモデルと比較した。その結果、MedicalRecは推薦精度で優れた性能を示し、最大HitRate@100は75.5%に達した。これは、上位100件の推薦結果の中に正しいモデルが含まれる割合が75.5%であることを意味する。
この研究の貢献は、高性能なレコメンダーシステムを提案しただけでなく、データセットと実装コードを公開した点にもある。すべてのリソースはGitHub（https://github.com/Ramin1Mousa/MedicalRec）で入手可能であり、この分野の再現可能な研究を促進し、より省エネで持続可能な医療AIモデル選択プロセスの実現に寄与する。今後、より多くの研究論文が完全な実験詳細を報告するにつれて、MedicalRec-Benchデータセットの品質と範囲はさらに向上し、レコメンダーシステムの信頼性が高まることが期待される。