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

Sintesi Tecnica: LiteChestGreenXY11n

Problematica
Sebbene il deep learning, in particolare il rilevamento di oggetti basato su YOLO, abbia dimostrato prestazioni elevate nella localizzazione delle anomalie nelle radiografie del torace, i modelli esistenti affrontano barriere significative per l'impiego clinico in ambienti con risorse limitate. Gli attuali modelli allo stato dell'arte richiedono spesso un'elevata potenza di calcolo, un consumo energetico sostanziale e un ingente footprint di memoria, il che ne ostacola l'uso in contesti medici a bassa potenza. Inoltre, la natura "black-box" del deep learning limita la fiducia clinica, poiché questi modelli mancano spesso di spiegabilità riguardo alle specifiche regioni anatomiche che guidano le loro diagnosi. La letteratura esistente tratta spesso l'accuratezza del rilevamento, l'efficienza computazionale e la spiegabilità come questioni separate, creando un vuoto per un framework unificato che bilanci questi fattori per un'IA medica sostenibile.

Metodologia
Gli autori propongono LiteChestGreenXY11n, un framework di rilevamento oggetti leggero e spiegabile, progettato per la localizzazione "green" delle anomalie nelle radiografie del torace. La metodologia prevede i seguenti componenti chiave:

• Architettura: Il framework utilizza l'architettura YOLO11n (nano), selezionata per il minimo numero di parametri, la riduzione delle operazioni in virgola mobile (FLOPs) e l'alta velocità di inferenza. Questa base è adattata specificamente per l'imaging medico per garantire l'efficienza senza compromettere le capacità di rilevamento.
• Dataset e Preprocessing: Lo studio impiega un dataset multi-classe di radiografie del torace da Roboflow Universe, contenente nove classi di anomalie (es. fibrosi polmonare, opacità polmonare, massa/nodulo). Il dataset comprende 2.485 immagini di addestramento, 1.405 di validazione e 504 di test. Tutte le immagini sono ridimensionate a 640x640 pixel.
• Benchmarking Comparativo: Il modello proposto è rigorosamente confrontato con YOLOv5s, YOLOv8s e YOLO11s sotto identiche condizioni di addestramento (risoluzione 640x640, batch size 16, 40 epoche) su GPU NVIDIA Tesla T4.
• Spiegabilità (XAI): Per affrontare il divario di interpretabilità, il framework integra Grad-CAM (Gradient-weighted Class Activation Mapping). Questa tecnica visualizza le regioni anatomiche su cui il modello si concentra, fornendo ai clinici prove del processo decisionale.
• Metriche di Valutazione:
  • Prestazioni di Rilevamento: Precision, Recall, mAP@50 e mAP@50–95.
  • Efficienza Computazionale: Conteggio dei parametri, FLOPs, latenza di inferenza (ms/immagine), uso della memoria GPU e consumo energetico (Joules per inferenza).
  • Metriche Green AI: Viene calcolato un Energy Efficiency Score (EES) come rapporto tra mAP@50 e consumo energetico.
  • Idoneità alla Distribuzione: Gli autori introducono l'Energy-Aware Clinical Deployment Suitability Index (EA-CDSI). Questa metrica aggrega l'accuratezza diagnostica, la complessità computazionale normalizzata (GFLOPs, parametri) e il consumo energetico in un unico punteggio per valutare la prontezza del modello per la distribuzione clinica in contesti con risorse limitate.

Risultati Chiave
I risultati sperimentali indicano che LiteChestGreenXY11n raggiunge un compromesso ottimale tra accuratezza ed efficienza:

• Accuratezza di Rilevamento: LiteChestGreenXY11n ha ottenuto il valore più alto di mAP@50 pari a 0,355, superando marginalmente YOLOv5s (0,350), YOLOv8s (0,344) e YOLO11s (0,352). Ha mantenuto una precisione (0,438) e una recall (0,358) competitive. Il testo nota che, sebbene LiteChestGreenXY11n e YOLO11s abbiano prestazioni di rilevamento simili, il modello proposto ottiene questo risultato con molte meno risorse.
• Efficienza Computazionale: Il modello ha dimostrato un'efficienza superiore con 3,01 milioni di parametri e 4,05 B FLOPs (4,046899 B), significativamente inferiori rispetto ai baseline (ad esempio, YOLOv8s con 11,13M di parametri e 14,23 GFLOPs). Ha raggiunto la latenza di inferenza più bassa di 4,0 ms/immagine e il carico computazionale più basso di 6,3 GFLOPs.
• Consumo Energetico: LiteChestGreenXY11n ha consumato meno energia per inferenza, con 0,588 Joule, rispetto a 0,965 J (YOLOv5s), 0,99 J (YOLOv8s) e 1,029 J (YOLO11s). Di conseguenza, ha ottenuto il più alto Energy Efficiency Score (EES) di 0,604 mAP/J.
• Spiegabilità: Nelle valutazioni Grad-CAM, LiteChestGreenXY11n ha ottenuto un Quality Score di 8,8 e una Localizzazione di Accuratezza dell'88,9%, classificandosi seconda solo a YOLO11s (9,0 e 89,6%), ma con un overhead computazionale sostanzialmente inferiore. Le mappe di calore sono state descritte come "Alte" in termini di interpretabilità clinica.
• Idoneità alla Distribuzione: Nell'analisi EA-CDSI, LiteChestGreenXY11n ha ricevuto un punteggio normalizzato di 1,0000, il più alto tra tutti i modelli testati. Ciò indica che offre il miglior equilibrio tra capacità diagnostica ed efficienza delle risorse, rendendolo il candidato più adatto per la distribuzione in ambienti clinici con infrastrutture limitate.

Significatività e Rivendicazioni
L'articolo sostiene che LiteChestGreenXY11n affronta con successo il gap di ricerca integrando alta accuratezza di rilevamento, efficienza computazionale e spiegabilità in un unico framework. Gli autori affermano che il modello promuove la sostenibilità e la scalabilità nell'IA medica riducendo significativamente l'impronta ambientale (energia e calcolo) senza sacrificare l'affidabilità diagnostica.

Lo studio posiziona LiteChestGreenXY11n come una soluzione pratica per l'edge computing e le strutture sanitarie con risorse limitate, dove i modelli su larga scala sono impraticabili. Introducendo l'EA-CDSI e il framework Clinical AI Design Space, gli autori forniscono un approccio metodologico per valutare i compromessi tra accuratezza, costo ed energia, sostenendo che il loro modello proposto rappresenta il punto ottimale in questo spazio di progettazione per le attuali necessità cliniche. Il lavoro conclude che questo framework consente un'analisi delle radiografie del torace trasparente, efficiente dal punto di vista energetico e clinicamente valida, facilitando l'adozione della Green AI nella diagnostica medica.