MedicalRec：無需重新訓練的醫學圖像分類推薦系統
研究人員提出MedicalRec，一種基於Transformer的推薦系統，可推薦最優的醫學圖像分類模型而無需重新訓練，從而減少能源消耗和試錯浪費。該系統使用了從3000篇論文中收集的超過5000條記錄的基準數據集MedicalRec-Bench，在評估中達到了75.5%的最大HitRate@100。
機器學習和深度學習的迅猛發展極大地提升了醫療診斷、治療和行政系統的效率。然而，這些模型在實際應用中面臨一個關鍵挑戰：如何為特定的醫學圖像分類任務選擇最合適的模型？傳統方法往往依賴研究人員的試錯過程，這不僅耗時耗力，還帶來了巨大的計算資源消耗、能源浪費以及碳排放。為了應對這一問題，一項最新研究提出了MedicalRec——一個基於Transformer的醫學圖像分類推薦系統，旨在無需重新訓練的情況下推薦最優模型。
研究團隊從3000篇醫學圖像分類相關論文中系統收集數據，構建了名為MedicalRec-Bench的公開基準數據集。該數據集包含超過5000條記錄，覆蓋皮膚癌分類、腫瘤分類、傷口分類、乳腺癌分類以及核磁共振成像（MRI）分類等多種任務。為了評估系統的魯棒性，團隊設計了四種配置模式，分別使用5、9、11和18個特徵。值得注意的是，由於許多論文未完整報告所有特徵，數據集中存在大量缺失值，這為實驗帶來了額外挑戰。
MedicalRec採用Transformer架構進行項目推薦。在數據集以及12個基線模型的對比評估中，該系統展現出卓越性能，最高HitRate@100達到75.5%。這一結果表明，MedicalRec能夠有效識別最匹配任務的模型，從而顯著減少試錯成本和資源消耗。
研究的全部代碼和數據集已在GitHub上開源（訪問地址：https://github.com/Ramin1Mousa/MedicalRec），為後續研究提供了便利。MedicalRec的提出不僅為醫學圖像分類領域提供了實用工具，也為可持續的醫療AI發展提供了新思路。