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

技術要約: LiteChestGreenXY11n

問題提起
ディープラーニング、特にYOLOベースの物体検出は、胸部X線異常の局在化において高い性能を示しているが、既存のモデルはリソースの限られた環境における臨床導入において大きな障壁に直面している。現在の最先端モデルは、多くの場合、高度な計算能力、多大なエネルギー消費、および大きなメモリフットプリントを必要とし、これらが低電力の医療現場での使用を妨げている。さらに、ディープラーニングの「ブラックボックス」的な性質は、これらのモデルが診断の根拠となる特定の解剖学的領域に関する説明性を欠くことが多いため、臨床的な信頼を制限している。既存の文献では、検出精度、計算効率、および説明可能性を個別の懸念事項として扱うことが多く、これらの要因のバランスを取りながら持続可能な医療AIを実現するための統合的なフレームワークには空白が存在する。

手法
著者らは、胸部X線異常のグリーンな局在化のために設計された、軽量で説明可能な物体検出フレームワークであるLiteChestGreenXY11nを提案する。本手法は以下の主要なコンポーネントで構成される：

• アーキテクチャ: 本フレームワークは、パラメータ数の最小化、浮動小数点演算（FLOPs）の削減、および高い推論速度を実現するために選択されたYOLO11n (nano) アーキテクチャを利用している。このベースは、検出能力を損なうことなく効率性を確保するために、医療用画像に特化して適応されている。
• データセットと前処理: 本研究では、Roboflow Universeから取得した、9つの異常クラス（例：肺線維症、肺浸潤、腫瘤/結節）を含むマルチクラス胸部X線データセットを採用している。データセットは、2,485枚の訓練画像、1,405枚の検証画像、および504枚のテスト画像で構成されている。すべての画像は640x640ピクセルにリサイズされている。
• 比較ベンチマーク: 提案モデルは、同一の学習条件（640x640解像度、バッチサイズ16、40エポック）およびNVIDIA Tesla T4 GPUの下で、YOLOv5s、YOLOv8s、およびYOLO11sに対して厳格にベンチマーク測定が行われた。
• 説明可能性 (XAI): 解釈性のギャップに対処するため、フレームワークにはGrad-CAM（Gradient-weighted Class Activation Mapping）が統合されている。この技術は、モデルが注目している解剖学的領域を可視化し、意思決定プロセスの根拠を臨床医に提供する。
• 評価指標:
  • 検出性能: 適合率（Precision）、再現率（Recall）、mAP@50、および mAP@50–95。
  • 計算効率: パラメータ数、FLOPs、推論レイテンシ（ms/image）、GPUメモリ使用量、およびエネルギー消費量（Joules per inference）。
  • グリーンAI指標: エネルギー効率スコア (EES) は、mAP@50とエネルギー消費量の比として算出される。
  • 展開適合性: 著者らは、診断精度、正規化された計算複雑性（GFLOPs、パラメータ）、およびエネルギー消費量を単一のスコアに集約し、リソースの限られた環境におけるモデルの臨床展開への準備態勢を評価する指標であるエネルギー配慮型臨床展開適合性指数 (EA-CDSI) を導入している。

主な結果
実験結果は、LiteChestGreenXY11nが精度と効率の最適なトレードオフを実現していることを示している：

• 検出精度: LiteChestGreenXY11nは、最も高いmAP@50の0.355を達成し、YOLOv5s (0.350)、YOLOv8s (0.344)、およびYOLO11s (0.352) をわずかに上回った。また、競争力のある適合率 (0.438) と再現率 (0.358) を維持した。本文中では、LiteChestGreenXY11nとYOLO11sは検出性能において類似しているものの、提案モデルは著しく少ないリソースでこれを達成していると述べられている。
• 計算効率: 本モデルは、3.01M個のパラメータと4.05B FLOPs (4.046899 B) を持ち、ベースライン（例：11.13Mパラメータ、14.23 GFLOPsのYOLOv8s）よりも大幅に低い数値を示し、優れた効率性を実証した。また、最低の推論レイテンシである4.0 ms/imageと、最低の計算負荷である6.3 GFLOPsを達成した。
• エネルギー消費量: LiteChestGreenXY11nは、1回の推論あたりのエネルギー消費量が0.588 Joulesと最も少なく、YOLOv5s (0.965 J)、YOLOv8s (0.99 J)、およびYOLO11s (1.029 J) と比較して最小であった。その結果、最高のエネルギー効率スコア（EES）である0.604 mAP/Jを獲得した。
• 説明可能性: Grad-CAMによる評価において、LiteChestGreenXY11nは品質スコア8.8および**局在精度88.9%**を達成し、YOLO11s (9.0 および 89.6%) に次いで第2位となったが、計算オーバーヘッドは大幅に低かった。ヒートマップは、臨床的解釈可能性において「高（High）」と記述されている。
• 展開適合性: EA-CDSI分析において、LiteChestGreenXY11nは、テストされたすべてのモデルの中で最高である正規化スコア1.0000を獲得した。これは、本モデルが診断能力とリソース効率の最高のバランスを提供しており、低インフラの臨床環境への展開に最も適していることを示している。

意義と主張
本論文は、LiteChestGreenXY11nが高精度の検出、計算効率、および説明可能性を単一のフレームワークに統合することで、研究上のギャップを克服することに成功したと主張している。著者らは、診断の信頼性を損なうことなく、環境負荷（エネルギーおよび計算）を大幅に削減することにより、提案モデルが持続可能性とスケーラビリティを促進すると断言している。

本研究は、大規模なモデルが不可能なエッジコンピューティングおよびリソースの限られた医療施設に対する実用的なソリューションとしてLiteChestGreenXY11nを位置づけている。EA-CDSIおよび「Clinical AI Design Space」フレームワークを導入することで、著者らは精度、コスト、およびエネルギーの間のトレードオフを評価するための方法論的なアプローチを提供し、提案されたモデルが現在の臨床ニーズにおけるこのデザインスペースの最適点であることを主張している。本研究は、このフレームワークが透明性が高く、エネルギー効率に優れ、臨床的に実行可能な胸部X線解析を可能にし、医療診断におけるグリーンAIの採用を促進すると結論付けている。