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

Resumo Técnico: LiteChestGreenXY11n

Declaração do Problema
Embora o aprendizado profundo, particularmente a detecção de objetos baseada em YOLO, tenha demonstrado alto desempenho na localização de anormalidades em radiografias de tórax, os modelos existentes enfrentam barreiras significativas para a implantação clínica em ambientes com recursos limitados. Os modelos atuais de estado da arte frequentemente exigem alto poder computacional, consumo substancial de energia e grandes pegadas de memória, o que dificulta seu uso em configurações médicas de baixa potência. Além disso, a natureza de "caixa-preta" do aprendizado profundo limita a confiança clínica, pois esses modelos frequentemente carecem de explicabilidade em relação às regiões anatômicas específicas que impulsionam seus diagnósticos. A literatura existente frequentemente trata a precisão de detecção, eficiência computacional e explicabilidade como preocupações separadas, criando uma lacuna para um framework unificado que equilibre esses fatores para uma IA médica sustentável.

Metodologia
Os autores propõem o LiteChestGreenXY11n, um framework de detecção de objetos leve e explicável, projetado para a localização verde de anormalidades em radiografias de tórax. A metodologia envolve os seguintes componentes principais:

• Arquitetura: O framework utiliza a arquitetura YOLO11n (nano), selecionada por sua contagem mínima de parâmetros, redução de operações de ponto flutuante (FLOPs) e alta velocidade de inferência. Esta base é adaptada especificamente para imagens médicas para garantir eficiência sem comprometer as capacidades de detecção.
• Conjunto de Dados e Pré-processamento: O estudo utiliza um conjunto de dados de radiografia de tórax multiclasse do Roboflow Universe, contendo nove classes de anormalidades (ex: fibrose pulmonar, opacidade pulmonar, massa/nódulo). O conjunto de dados compreende 2.485 imagens de treinamento, 1.405 de validação e 504 de teste. Todas as imagens são redimensionadas para 640x640 pixels.
• Benchmarking Comparativo: O modelo proposto é rigorosamente testado contra YOLOv5s, YOLOv8s e YOLO11s sob condições de treinamento idênticas (resolução de 640x640, tamanho de lote 16, 40 épocas) em GPUs NVIDIA Tesla T4.
• Explicabilidade (XAI): Para abordar a lacuna de interpretabilidade, o framework integra o Grad-CAM (Gradient-weighted Class Activation Mapping). Esta técnica visualiza as regiões anatômicas nas quais o modelo foca, fornecendo evidências do processo de tomada de decisão aos clínicos.
• Métricas de Avaliação:
  • Desempenho de Detecção: Precisão, Recall, mAP@50 e mAP@50–95.
  • Eficiência Computacional: Contagem de parâmetros, FLOPs, latência de inferência (ms/imagem), uso de memória da GPU e consumo de energia (Joules por inferência).
  • Métricas de IA Verde: Um Score de Eficiência Energética (EES) é calculado como a razão entre o mAP@50 e o consumo de energia.
  • Adequação de Implantação: Os autores introduzem o Índice de Adequação de Implantação Clínica Consciente de Energia (EA-CDSI). Esta métrica agrega precisão diagnóstica, complexidade computacional normalizada (GFLOPs, parâmetros) e consumo de energia em um único escore para avaliar a prontidão do modelo para implantação clínica em ambientes com poucos recursos.

Principais Resultados
Os resultados experimentais indicam que o LiteChestGreenXY11n alcança um equilíbrio ideal entre precisão e eficiência:

• Precisão de Detecção: O LiteChestGreenXY11n alcançou o maior mAP@50 de 0,355, superando marginalmente o YOLOv5s (0,350), YOLOv8s (0,344) e YOLO11s (0,352). Manteve uma precisão competitiva (0,438) e recall (0,358). O texto observa que, embora o LiteChestGreenXY11n e o YOLO11s tenham desempenho de detecção semelhante, o modelo proposto alcança isso com significativamente menos recursos.
• Eficiência Computacional: O modelo demonstrou eficiência superior com 3,01 milhões de parâmetros e 4,05 B FLOPs (4,046899 B), significativamente menores que os baselines (ex: YOLOv8s com 11,13M de parâmetros e 14,23 GFLOPs). Alcançou a menor latência de inferência de 4,0 ms/imagem e a menor carga computacional de 6,3 GFLOPs.
• Consumo de Energia: O LiteChestGreenXY11n consumiu a menor energia por inferência, com 0,588 Joules, comparado a 0,965 J (YOLOv5s), 0,99 J (YOLOv8s) e 1,029 J (YOLO11s). Consequentemente, obteve o maior Score de Eficiência Energética (EES) de 0,604 mAP/J.
• Explicabilidade: Nas avaliações de Grad-CAM, o LiteChestGreenXY11n obteve um Score de Qualidade de 8,8 e uma Precisão de Localização de 88,9%, ficando em segundo lugar apenas para o YOLO11s (9,0 e 89,6%), mas com uma sobrecarga computacional substancialmente menor. Os mapas de calor foram descritos como "Altos" em interpretabilidade clínica.
• Adequação de Implantação: Na análise EA-CDSI, o LiteChestGreenXY11n recebeu um score normalizado de 1,0000, o mais alto entre todos os modelos testados. Isso indica que ele oferece o melhor equilíbrio entre capacidade diagnóstica e eficiência de recursos, tornando-o o candidato mais adequado para implantação em ambientes clínicos de baixa infraestrutura.

Significância e Alegações
O artigo afirma que o LiteChestGreenXY11n aborda com sucesso a lacuna de pesquisa ao integrar alta precisão de detecção, eficiência computacional e explicabilidade em um único framework. Os autores afirmam que o modelo promove a sustentabilidade e escalabilidade na IA médica ao reduzir significativamente a pegada ambiental (energia e computação) sem sacrificar a confiabilidade diagnóstica.

O estudo posiciona o LiteChestGreenXY11n como uma solução prática para computação de borda (edge computing) e instalações de saúde com recursos limitados, onde modelos de grande escala são impraticáveis. Ao introduzir o EA-CDSI e o framework de Espaço de Design de IA Clínica, os autores fornecem uma abordagem metodológica para avaliar as trocas entre precisão, custo e energia, argumentando que seu modelo proposto representa o ponto ideal neste espaço de design para as necessidades clínicas atuais. O trabalho conclui que este framework permite a análise de radiografia de tórax transparente, energeticamente eficiente e clinicamente viável, facilitando a adoção da IA Verde nos diagnósticos médicos.