LiteChestGreenXY11n: A Lightweight Explainable YOLO Framework for Energy-Efficient Chest X-ray Abnormality Localization with Clinical Deployment Assessment and with Experimental Case Study

Resumen Técnico: LiteChestGreenXY11n

Planteamiento del Problema
Si bien el aprendizaje profundo, particularmente la detección de objetos basada en YOLO, ha demostrado un alto rendimiento en la localización de anomalías en radiografías de tórax, los modelos existentes enfrentan barreras significativas para su despliegue clínico en entornos con recursos limitados. Los modelos actuales de vanguardia a menudo requieren una alta potencia de cómputo, un consumo de energía sustancial y una gran huella de memoria, lo que dificulta su uso en entornos médicos de baja potencia. Además, la naturaleza de "caja negra" del aprendizaje profundo limita la confianza clínica, ya que estos modelos frecuentemente carecen de explicabilidad respecto a las regiones anatómicas específicas que impulsan sus diagnósticos. La literatura existente a menudo trata la precisión de detección, la eficiencia computacional y la explicabilidad como preocupaciones separadas, creando una breanza para un marco unificado que equilibre estos factores para una IA médica sostenible.

Metodología
Los autores proponen LiteChestGreenXY11n, un marco de detección de objetos ligero y explicable diseñado para la localización verde de anomalías en radiografías de tórax. La metodología involucra los siguientes componentes clave:

• Arquitectura: El marco utiliza la arquitectura YOLO11n (nano), seleccionada por su mínimo recuento de parámetros, reducción de operaciones de punto flotante (FLOPs) y alta velocidad de inferencia. Esta base es adaptada específicamente para imágenes médicas para asegurar la eficiencia sin comprometer las capacidades de detección.
• Conjunto de Datos y Preprocesamiento: El estudio emplea un conjunto de datos de radiografías de tórax multiclasificación de Roboflow Universe, que contiene nueve clases de anomalías (por ejemplo, fibrosis pulmonar, opacidad pulmonar, masa/nódulo). El conjunto de datos comprende 2,485 imágenes de entrenamiento, 1,405 de validación y 504 de prueba. Todas las imágenes se redimensionan a 640x640 píxeles.
• Benchmarking Comparativo: El modelo propuesto es rigurosamente comparado contra YOLOv5s, YOLOv8s y YOLO11s bajo condiciones de entrenamiento idénticas (resolución de 640x640, tamaño de lote 16, 40 épocas) en GPUs NVIDIA Tesla T4.
• Explicabilidad (XAI): Para abordar la brecha de interpretabilidad, el marco integra Grad-CAM (Mapas de Activación de Clase ponderados por Gradiente). Esta técnica visualiza las regiones anatómicas en las que el modelo se enfoca, proporcionando a los clínicos evidencia del proceso de toma de decisiones.
• Métricas de Evaluación:
  • Rendimiento de Detección: Precisión, Recall, mAP@50 y mAP@50–95.
  • Eficiencia Computacional: Recuento de parámetros, FLOPs, latencia de inferencia (ms/imagen), uso de memoria de GPU y consumo de energía (Joules por inferencia).
  • Métricas de IA Verde: Se calcula una Puntuación de Eficiencia Energética (EES) como la relación entre el mAP@50 y el consumo de energía.
  • Idoneidad de Despliegue: Los autores introducen el Índice de Idoneidad de Despliegue Clínico Consciente de la Energía (EA-CDSI). Esta métrica agrega la precisión diagnóstica, la complejidad computacional normalizada (GFLOPs, parámetros) y el consumo de energía en una sola puntuación para evaluar la preparación del modelo para el despliegue clínico en entornos con recursos limitados.

Resultados Clave
Los resultados experimentales indican que LiteChestGreenXY11n logra un equilibrio óptimo entre precisión y eficiencia:

• Precisión de Detección: LiteChestGreenXY11n alcanzó el mAP@50 más alto de 0.355, superando marginalmente a YOLOv5s (0.350), YOLOv8s (0.344) y YOLO11s (0.352). Mantuvo una precisión (precision) competitiva (0.438) y un recall (0.358). El texto señala que, si bien LiteChestGreenXY11n y YOLO11s tienen un rendimiento de detección similar, el modelo propuesto logra esto con significativamente menos recursos.
• Eficiencia Computacional: El modelo demostró una eficiencia superior con 3.01 millones de parámetros y 4.05 B FLOPs (4.046899 B), significativamente menores que las líneas base (por ejemplo, YOLOv8s con 11.13M de parámetros y 14.23 GFLOPs). Logró la latencia de inferencia más baja de 4.0 ms/imagen y la carga computacional más baja de 6.3 GFLOPs.
• Consumo de Energía: LiteChestGreenXY11n consumió la menor energía por inferencia con 0.588 Joules, comparado con 0.965 J (YOLOv5s), 0.99 J (YOLOv8s) y 1.029 J (YOLO11s). Consecuentemente, obtuvo la mayor Puntuación de Eficiencia Energética (EES) de 0.604 mAP/J.
• Explicabilidad: En las evaluaciones de Grad-CAM, LiteChestGreenXY11n alcanzó una Puntuación de Calidad de 8.8 y una Precisión de Localización del 88.9%, situándose en segundo lugar solo después de YOLO11s (9.0 y 89.6%), pero con un overhead computacional sustancialmente menor. Los mapas de calor fueron descritos como "Altos" en interpretabilidad clínica.
• Idoneidad de Despliegue: En el análisis EA-CDSI, LiteChestGreenXY11n recibió una puntuación normalizada de 1.0000, la más alta entre todos los modelos probados. Esto indica que ofrece el mejor equilibrio entre capacidad diagnóstica y eficiencia de recursos, convirtiéndolo en el candidato más adecuado para el despliegue en entornos clínicos de baja infraestructura.

Significancia y Reivindicaciones
El artículo afirma que LiteChestGreenXY11n aborda con éxito la brecha de investigación al integrar alta precisión de detección, eficiencia computacional y explicabilidad en un solo marco. Los autores sostienen que el modelo promueve la sostenibilidad y la escalabilidad en la IA médica al reducir significativamente la huella ambiental (energía y cómputo) sin sacrificar la fiabilidad diagnóstica.

El estudio posiciona a LiteChestGreenXY11n como una solución práctica para la computación en el borde (edge computing) y centros de salud con recursos limitados, donde los modelos a gran escala son impracticables. Al introducir el EA-CDSI y el marco de Espacio de Diseño de IA Clínica, los autores proporcionan un enfoque metodológico para evaluar las compensaciones entre precisión, costo y energía, argumentando que su modelo propuesto representa el punto óptimo en este espacio de diseño para las necesidades clínicas actuales. El trabajo concluye que este marco permite un análisis de radiografía de tórax transparente, eficiente energéticamente y clínicamente viable, facilitando la adopción de la IA Verde en el diagnóstico médico.