MedicalRec：再トレーニング不要の医用画像分類推薦システム
研究者らは、再トレーニングなしで医用画像分類に最適なモデルを推薦するTransformerベースの推薦システムMedicalRecを提案する。エネルギー消費と試行錯誤の無駄を削減する。このシステムは、3,000件の論文から収集した5,000件以上のレコードを含むベンチマークデータセットMedicalRec-Benchを使用し、評価で最大HitRate@100 75.5%を達成した。
機械学習と深層学習の進歩により、医療診断、治療、管理システムの効率は飛躍的に向上しました。しかし、これらのモデルを医療画像分類タスクに適用する際、適切なモデルを選択するには試行錯誤が必要であり、多大な計算リソース、エネルギー消費、二酸化炭素排出を伴います。この課題に取り組むため、研究チームは「MedicalRec」というTransformerベースの推薦システムを開発しました。
MedicalRecは、再トレーニングなしで最適な医療画像分類モデルを推薦することを目的としています。研究チームは、3,000件の医用画像分類に関する論文からデータを収集し、「MedicalRec-Bench」という公開ベンチマークデータセットを構築しました。このデータセットには5,000件以上のレコードが含まれ、皮膚がん分類、腫瘍分類、創傷分類、乳がん、MRI分類などの多様なタスクをカバーしています。評価は特徴数の異なる4つのモード（5、9、11、18特徴）で実施されましたが、多くの論文で特徴が完全に報告されていないため、欠損値が多く存在します。
MedicalRecはTransformerアーキテクチャを採用し、データセット上の評価および12のベースモデルとの比較で優れた結果を示し、最大HitRate@100は75.5%に達しました。これにより、試行錯誤のコストを削減し、エネルギー消費を抑える効果が期待されます。
データセットと実装コードはGitHub（https://github.com/Ramin1Mousa/MedicalRec）で公開されており、今後の研究に役立つリソースとなっています。MedicalRecは、持続可能な医療AIの実現に向けた重要な一歩です。