論文の概要: MedicalRec: Medical recommender system for image classification without retraining

• arxiv url: http://arxiv.org/abs/2606.07553v1
• Date: Sat, 23 May 2026 13:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.712441
• Title: MedicalRec: Medical recommender system for image classification without retraining
• Title（参考訳）: MedicalRec:リトレーニングを伴わない画像分類のための医用レコメンドシステム
• Authors: Roghayeh Taghavi, Aysa Hasanazde Bashkandi, Amir Ali Bengari, Mohammad Amin Raji, Mohammad Salahi Ardekani, Parisa Mardukhian, Parvaneh Rezaei, Ramin Mousa,
• Abstract要約: 本研究の目的は,医用画像分類のためのモデルベース推薦システムを開発することである。 MedicalRec-Benchという名前で公開されているデータセットには、さまざまなタスクでテストされた5000以上のモデルのレコードが含まれている。 このモデルはデータセットの評価および12のベースモデルによる評価において顕著な結果を得た。
• 参考スコア（独自算出の注目度）: 0.6094711396431726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of machine learning and deep learning has revolutionized the efficiency of diagnostic, therapeutic, and administrative systems in healthcare. However, this rapid adoption has come at the cost of requiring significant computing power and energy consumption, as well as e-waste disposal and carbon emissions. One of the challenges of these models is choosing the right model for classification tasks. To this end, researchers attempt to identify the optimal model using their data through trial and error, which involves energy consumption and waste. The goal of this study is to develop a model-based recommender system for medical image classification. For this purpose, a data set was collected from 3,000 articles in the field of medical image classification. This dataset, publicly available under the name MedicalRec-Bench, contains over 5,000 records of models tested in various tasks, including Skin Cancer Classification, Tumour Classification, Wound Classification, Breast Cancer, and MRI classification. The dataset was evaluated in four different modes, depending on the number of features: MedicalRec I (5 features), MedicalRec II (9 features), MedicalRec III (11 features), and MedicalRec IV (18 features). Collecting all values for the features is challenging due to non-reporting by the authors; hence, the dataset contains significant amounts of missing values. The Medical Recommender System (MedicalRec) is a transformer-based model used for item recommendations in this study. This model achieved remarkable results in the evaluation on the dataset and in the evaluation with 12 base models. This model achieved a maximum HitRate@100 of 75.5%. The dataset and implementations are available through the GitHub link: https://github.com/Ramin1Mousa/MedicalRec
• Abstract（参考訳）: 機械学習とディープラーニングの出現は、医療における診断、治療、管理システムの効率に革命をもたらした。 しかし、この急激な普及は、電子廃棄物処理や二酸化炭素排出量と同様に、計算能力とエネルギー消費の大幅な増加を犠牲にしている。 これらのモデルの課題の1つは、分類タスクに適したモデルを選択することである。 この目的のために、研究者は、エネルギー消費と無駄を含む試行錯誤を通じて、最適なモデルを見つけ出そうとする。 本研究の目的は,医用画像分類のためのモデルベース推薦システムを開発することである。 この目的のために,医療画像分類分野の3,000項目からデータセットを収集した。 MedicalRec-Benchという名前で公開されているこのデータセットには、皮膚がん分類、腫瘍分類、創傷分類、乳癌分類、MRI分類など、さまざまなタスクでテストされたモデルの5000以上の記録が含まれている。 データセットは,MericalRec I(5特徴),MericalRec II(9特徴),MericalRec III(11特徴),MericalRec IV(18特徴)の4つのモードで評価された。 著者による非レポートのため、機能のすべての値の収集は難しいため、データセットには大量の欠落した値が含まれている。 The Medical Recommender System (MedicalRec) は、この研究でアイテムレコメンデーションに使用されるトランスフォーマーベースのモデルである。 このモデルはデータセットの評価および12のベースモデルによる評価において顕著な結果を得た。 このモデルは最大75.5%のHitRate@100を達成した。 データセットと実装はGitHubのリンクから入手できる。

関連論文リスト

• A Hierarchical Benchmark of Foundation Models for Dermatology [0.39325957466009204]
  皮膚科における現在のベンチマークは、しばしば、複雑な診断分類をフラットな二分分類タスクに還元する。 この過剰な単純化は、モデルが微細な微分診断を行う能力を曖昧にする。 本研究は, 階層型皮膚病変分類のための基礎モデル10から導かれた埋め込みの有用性について検討した。
  論文  参考訳（メタデータ） (2026-01-18T12:38:15Z)
• MedGemma Technical Report [75.88152277443179]
  MedGemmaは、Gemma 3 4Bと27Bをベースとした医療ビジョン言語基盤モデルの集合体である。 MedGemmaは、画像とテキストの高度な医学的理解と推論を実証する。 また、SigLIPから派生した医用目視エンコーダであるMedSigLIPを紹介する。
  論文  参考訳（メタデータ） (2025-07-07T17:01:44Z)
• Advancements in Medical Image Classification through Fine-Tuning Natural Domain Foundation Models [17.571552686063335]
  膨大なデータセットを使用すると、ファンデーションモデルは広範囲のタスクを実行する大規模で事前訓練されたモデルである。 本研究では,最新の最先端基盤モデルであるDINOv2, MAE, VMamba, CoCa, SAM2, AIMv2の医療画像分類への応用について検討した。
  論文  参考訳（メタデータ） (2025-05-26T10:04:40Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• OntoMedRec: Logically-Pretrained Model-Agnostic Ontology Encoders for Medication Recommendation [33.82146975306507]
  OntoMedRecは、論理的に事前訓練された、モデルに依存しない医療用オントロジーである。 OntoMedRecの有効性を評価するため,ベンチマークデータセットの総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-01-29T00:29:39Z)
• Explainable Multi-class Classification of Medical Data [0.9137554315375922]
  大規模医療データセットの多クラス分類について解説する。 この研究では、SVM(Support Vector Machine)、Na"ive Bayes、Gradient Boosting、Decision Trees、Random Forest、Logistic Regressionの6つのアルゴリズムが使用されている。 本研究では,23の薬物機能を用いて6つの応用学習アルゴリズムのうち5つのリコールを改善することを示した。
  論文  参考訳（メタデータ） (2020-12-26T18:56:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。