MedicalRec：无需重新训练的医学图像分类推荐系统
研究人员提出MedicalRec，一种基于Transformer的推荐系统，可推荐最优的医学图像分类模型而无需重新训练，从而减少能源消耗和试错浪费。该系统使用了从3000篇论文中收集的超过5000条记录的基准数据集MedicalRec-Bench，在评估中达到了75.5%的最大HitRate@100。
机器学习和深度学习的迅猛发展极大地提升了医疗诊断、治疗和行政系统的效率。然而，这些模型在实际应用中面临一个关键挑战：如何为特定的医学图像分类任务选择最合适的模型？传统方法往往依赖研究人员的试错过程，这不仅耗时耗力，还带来了巨大的计算资源消耗、能源浪费以及碳排放。为了应对这一问题，一项最新研究提出了MedicalRec——一个基于Transformer的医学图像分类推荐系统，旨在无需重新训练的情况下推荐最优模型。
研究团队从3000篇医学图像分类相关论文中系统收集数据，构建了名为MedicalRec-Bench的公开基准数据集。该数据集包含超过5000条记录，覆盖皮肤癌分类、肿瘤分类、伤口分类、乳腺癌分类以及核磁共振成像（MRI）分类等多种任务。为了评估系统的鲁棒性，团队设计了四种配置模式，分别使用5、9、11和18个特征。值得注意的是，由于许多论文未完整报告所有特征，数据集中存在大量缺失值，这为实验带来了额外挑战。
MedicalRec采用Transformer架构进行项目推荐。在数据集以及12个基线模型的对比评估中，该系统展现出卓越性能，最高HitRate@100达到75.5%。这一结果表明，MedicalRec能够有效识别最匹配任务的模型，从而显著减少试错成本和资源消耗。
研究的全部代码和数据集已在GitHub上开源（访问地址：https://github.com/Ramin1Mousa/MedicalRec），为后续研究提供了便利。MedicalRec的提出不仅为医学图像分类领域提供了实用工具，也为可持续的医疗AI发展提供了新思路。