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

Technische Samenvatting: LiteChestGreenXY11n

Probleemstelling
Hoewel deep learning, in het bijzonder YOLO-gebaseerde objectdetectie, een hoge prestatie heeft geleverd bij het lokaliseren van afwijkingen op borstkasfoto's (X-thorax), worden bestaande modellen geconfronteerd met aanzienlijke barrières voor klinische inzetbaarheid in omgevingen met beperkte middelen. Huidige state-of-the-art modellen vereisen vaak een hoge rekenkracht, aanzienlijk energieverbruik en een grote geheugenvoetafdruk, wat hun gebruik in laagvermogen medische settings belemmert. Bovendien beperkt het "black-box"-karakter van deep learning het klinisch vertrouwen, aangezien deze modellen vaak een gebrek aan uitlegbaarheid vertonen met betrekking tot de specifieke anatomische regio's die hun diagnoses drijven. De bestaande literatuur behandelt detectie nauwkeurigheid, computationele efficiëntie en uitlegbaarheid vaak als afzonderlijke zaken, wat een gat creëert voor een verenigd framework dat deze factoren balanceert voor duurzame medische AI.

Methodologie
De auteurs stellen LiteChestGreenXY11n voor, een lichtgewicht, uitlegbaar objectdetectie-framework ontworpen voor de groene lokalisatie van afwijkingen op borstkasfoto's. De methodologie omvat de volgende kerncomponenten:

• Architectuur: Het framework maakt gebruik van de YOLO11n (nano) architectuur, gekozen vanwege het minimale aantal parameters, de verminderde floating-point operaties (FLOPs) en de hoge inferentiesnelheid. Deze basis is specifiek aangepast voor medische beeldvorming om efficiëntie te waarborgen zonder de detectiecapaciteiten in gevaar te brengen.
• Dataset en Preprocessing: De studie maakt gebruik van een multi-class dataset van borstkasfoto's van Roboflow Universe, die negen afwijkingsklassen bevat (bijv. pulmonale fibrose, longopaciteit, massa/nodulus). De dataset bestaat uit 2.485 trainingsafbeeldingen, 1.405 validatieafbeeldingen en 504 testafbeeldingen. Alle afbeeldingen zijn geresized naar 640x640 pixels.
• Vergelijkende Benchmarking: Het voorgestelde model wordt rigoureus afgezet tegen YOLOv5s, YOLOv8s en YOLO11s onder identieke trainingsomstandigheden (640x640 resolutie, batchgrootte 16, 40 epochs) op NVIDIA Tesla T4 GPU's.
• Uitlegbaarheid (XAI): Om de interpretatiekloof te overbruggen, integreert het framework Grad-CAM (Gradient-weighted Class Activation Mapping). Deze techniek visualiseert de anatomische regio's waar het model zich op focust, waardoor clinici bewijs krijgen van het besluitvormingsproces.
• Evaluatiemetrieken:
  • Detectieprestaties: Precisie, Recall, mAP@50 en mAP@50–95.
  • Computationele Efficiëntie: Parameteraantal, FLOPs, inferentielatentie (ms/afbeelding), GPU-geheugengebruik en energieverbruik (Joules per inferentie).
  • Green AI Metrieken: Een Energie-efficiëntiescore (EES) wordt berekend als de ratio van mAP@50 tot het energieverbruik.
  • Geschiktheid voor Klinische Inzetbaarheid: De auteurs introduceren de Energy-Aware Clinical Deployment Suitability Index (EA-CDSI). Deze metriek aggregeert diagnostische nauwkeurigheid, genormaliseerde computationele complexiteit (GFLOPs, parameters) en energieverbruik in één enkele score om de gereedheid van het model voor klinische inzetbaarheid in omgevingen met beperkte middelen te evalueren.

Belangrijkste Resultaten
De experimentele resultaten wijzen uit dat LiteChestGreenXY11n een optimaal evenwicht bereikt tussen nauwkeurigheid en efficiëntie:

• Detectienauwkeurigheid: LiteChestGreenXY11n behaalde de hoogste mAP@50 van 0,355, waarmee het YOLOv5s (0,350), YOLOv8s (0,344) en YOLO11s (0,352) marginaal overtreft. Het behield een concurrerende precisie (0,438) en recall (0,358). De tekst merkt op dat hoewel LiteChestGreenXY11n en YOLO11s een vergelijkbare detectieprestatie hebben, het voorgestelde model dit bereikt met aanzienlijk minder middelen.
• Computationele Efficiëntie: Het model demonstreerde superieure efficiëntie met 3,01 miljoen parameters en 4,05 B FLOPs (4,046899 B), aanzienlijk lager dan de baselines (bijv. YOLOv8s met 11,13M parameters en 14,23 GFLOPs). Het behaalde de laagste inferentielatentie van 4,0 ms/afbeelding en de laagste computationele last van 6,3 GFLOPs.
• Energieverbruik: LiteChestGreenXY11n verbruikte de minste energie per inferentie met 0,588 Joules, vergeleken met 0,965 J (YOLOv5s), 0,99 J (YOLOv8s) en 1,029 J (YOLO11s). Bijgevolg behaalde het de hoogste Energie-efficiëntiescore (EES) van 0,604 mAP/J.
• Uitlegbaarheid: In Grad-CAM beoordelingen behaalde LiteChestGreenXY11n een kwaliteitsscore van 8,8 en een lokalisatienauwkeurigheid van 88,9%, waarbij het slechts op de tweede plaats kwam na YOLO11s (9,0 en 89,6%), maar met aanzienlijk lagere computationele overhead. De heatmaps werden beschreven als "Hoog" in klinische interpreteerbaarheid.
• Geschiktheid voor Inzetbaarheid: In de EA-CDSI-analyse ontving LiteChestGreenXY11n een genormaliseerde score van 1,0000, de hoogste van alle geteste modellen. Dit geeft aan dat het de beste balans biedt tussen diagnostische capaciteit en efficiëntie van middelen, waardoor het de meest geschikte kandidaat is voor inzet in klinische omgevingen met beperkte infrastructuur.

Betekenis en Claims
Het artikel claimt dat LiteChestGreenXY11n erin slaagt de onderzoeksfout te adresseren door hoge detectienauwkeurigheid, computationele efficiëntie en uitlegbaarheid te integreren in één enkel framework. De auteurs stellen dat het model duurzaamheid en schaalbaarheid in medische AI bevordert door de ecologische voetafdruk (energie en rekenkracht) aanzienlijk te verkleinen zonder de diagnostische betrouwbaarheid op te offeren.

De studie positioneert LiteChestGreenXY11n als een praktische oplossing voor edge computing en zorgfaciliteiten met beperkte middelen, waar grootschalige modellen onpraktisch zijn. Door de EA-CDSI en het Clinical AI Design Space framework te introduceren, bieden de auteurs een methodologische aanpak voor het evalueren van de trade-offs tussen nauwkeurigheid, kosten en energie, en beargumenteren zij dat hun voorgestelde model het optimale punt in deze design space vertegenwoordigt voor de huidige klinische behoeften. Het werk concludeert dat dit framework transparante, energie-efficiënte en klinisch levensvatbare analyse van borstkasfoto's mogelijk maakt, wat de adoptie van Green AI in medische diagnostiek faciliteert.