MedicalRec: трансформер для подбора модели классификации снимков без переобучения
Разработчики из международной исследовательской группы представили систему MedicalRec (Medical Recommender System) для выбора оптимальной модели классификации медицинских изображений. Решение основано на архитектуре трансформеров и не требует переобучения моделей под новые данные.
По данным arXiv, в основе MedicalRec лежит датасет MedicalRec-Bench, собранный из 3000 статей по классификации медицинских изображений. База содержит более 5000 записей моделей, протестированных на таких задачах, как обнаружение рака кожи, опухолей, ран, а также классификация маммограмм и МРТ-снимков.
Система работает в четырёх режимах — MedicalRec I, II, III и IV — отличающихся количеством входных признаков (от 5 до 18). Авторы отмечают, что не все значения признаков доступны из-за неполных данных в публикациях, поэтому датасет содержит значительное число пропусков.
В ходе тестирования на 12 базовых моделях MedicalRec показал максимальный HitRate@100 (долю успешных рекомендаций среди топ-100) на уровне 75,5%. Это позволяет врачам и исследователям быстрее находить подходящие алгоритмы без длительного перебора и переобучения.
Ожидается, что внедрение таких рекомендательных систем снизит вычислительные затраты и энергопотребление при разработке диагностических инструментов, а также сократит объём электронных отходов и углеродный след, связанный с обучением тяжёлых моделей.
Исходный код и датасет MedicalRec-Bench доступны на GitHub по ссылке, указанной в работе. Разработчики планируют расширять базу и улучшать точность рекомендаций.
