MedicalRec：无需重新训练即可进行图像分类的医疗推荐系统

arXiv:2606.07553v1 公告类型：新 摘要：机器学习和深度学习的出现彻底改变了医疗保健领域诊断、治疗和管理系统的效率。然而，这种快速采用的代价是需要大量的计算能力和能源消耗，以及电子废物处理和碳排放。这些模型的挑战之一是为分类任务选择正确的模型。为此，研究人员试图通过反复试验使用他们的数据来确定最佳模型，这涉及能源消耗和浪费。本研究的目标是开发一种基于模型的医学图像分类推荐系统。为此，我们从医学图像分类领域的 3000 篇文章中收集了一个数据集。该数据集以 MedicalRec-Bench 名称公开提供，包含 5,000 多个在各种任务中测试的模型记录，包括皮肤癌分类、肿瘤分类、伤口分类、乳腺癌和 MRI 分类。根据特征数量，以四种不同的模式评估数据集：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）。由于作者没有报告，收集特征的所有值具有挑战性；因此，数据集包含大量缺失值。医疗推荐系统 (MedicalRec) 是一个基于变压器的模型，用于本研究中的项目推荐。该模型在数据集的评估以及12个基础模型的评估中都取得了显着的效果。该模型的最大 HitRate@100 达到了 75.5%。数据集和实现可通过 GitHub 链接获取：https://github.com/Ramin1Mousa/MedicalRec