医疗领域正越来越多地采用机器学习和深度学习技术，以提高诊断、治疗和行政管理的效率。然而，这种快速普及也带来了高昂的计算成本、能源消耗以及电子垃圾处理与碳排放等问题。其中一个关键挑战是如何为特定的分类任务选择合适的模型。传统上，研究人员需要在自己的数据上通过反复试错来寻找最优模型，这一过程不仅耗时，还会造成不必要的能源浪费和环境负担。
为了解决这一问题，一项新研究提出了一种基于模型的推荐系统MedicalRec，专门用于医学图像分类任务。该系统的核心思想是：根据任务的特征和可用数据，自动推荐最适合的模型，从而避免从头训练和评估大量候选模型。研究团队从3000篇医学图像分类领域的论文中收集数据，构建了一个名为MedicalRec-Bench的公开数据集。该数据集包含超过5000条模型记录，覆盖了皮肤癌分类、肿瘤分类、伤口分类、乳腺癌分类以及MRI分类等多种任务。
MedicalRec-Bench数据集的一个显著特点是包含大量缺失值，这是因为许多论文的作者没有报告所有必要的特征。为了适应不同信息完整度的场景，研究团队将数据集分为四种模式：MedicalRec I（5个特征）、MedicalRec II（9个特征）、MedicalRec III（11个特征）和MedicalRec IV（18个特征）。特征数量越多，系统可用的信息越丰富，但同时也对数据完整性提出了更高要求。
MedicalRec系统本身是一个基于Transformer架构的推荐模型，它将模型推荐视为一个物品推荐问题。Transformer擅长捕捉特征之间的复杂关系，从而在稀疏和缺失数据的情况下仍能做出有效预测。研究团队在MedicalRec-Bench数据集上对系统进行了评估，并与12个基础模型进行了对比。结果显示，MedicalRec在推荐准确性上表现突出，最高HitRate@100达到了75.5%。这意味着在排名前100的推荐结果中，有75.5%的情况包含了正确的模型。
这项研究的贡献不仅在于提出了一个高性能的推荐系统，还在于公开了数据集和实现代码。所有资源均可在GitHub上获取（https://github.com/Ramin1Mousa/MedicalRec），这有助于推动该领域的可重复研究，并促进更节能、更可持续的医学AI模型选择流程。未来，随着更多研究论文报告完整的实验细节，MedicalRec-Bench数据集的质量和覆盖范围有望进一步提升，从而让推荐系统更加可靠。