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

技术摘要：LiteChestGreenXY11n

问题陈述
尽管深度学习（特别是基于 YOLO 的目标检测）在定位胸部 X 光异常方面已展现出高性能，但现有模型在向资源受限环境部署时面临显著障碍。目前的尖端模型通常需要高计算能力、大量的能量消耗以及庞大的内存占用，这阻碍了它们在低功耗医疗场景中的应用。此外，深度学习的“黑盒”性质限制了临床信任，因为这些模型往往缺乏关于驱动其诊断的具体解剖区域的可解释性。现有文献通常将检测精度、计算效率和可解释性视为独立的课题，从而在平衡这些因素以实现可持续医疗 AI 方面留下了统一框架的空白。

方法论
作者提出了 LiteChestGreenXY11n，这是一个轻量级、可解释的目标检测框架，旨在实现胸部 X 光异常的绿色定位。该方法论包含以下核心组件：

• 架构： 该框架采用了 YOLO11n (nano) 架构，该架构因其极少的参数量、降低的浮点运算量 (FLOPs) 以及高推理速度而被选中。该基础架构针对医学影像进行了专门适配，以确保在不牺牲检测能力的前提下实现高效性。
• 数据集与预处理： 研究采用了来自 Roboflow Universe 的多类别胸部 X 光数据集，包含九种异常类别（例如肺纤维化、肺部浸润、肿块/结节）。数据集由 2,485 张训练图像、1,405 张验证图像和 504 张测试图像组成。所有图像均被调整为 640x640 像素。
• 对比基准测试： 所提出的模型在相同的训练条件（640x640 分辨率、批大小 16、40 个 epoch）下，在 NVIDIA Tesla T4 GPU 上与 YOLOv5s、YOLOv8s 和 YOLO11s 进行严格的基准测试对比。
• 可解释性 (XAI)： 为了解决可解释性差距，该框架集成了 Grad-CAM（梯度加权类激活映射）。该技术使模型关注的解剖区域可视化，为临床医生提供决策过程的依据。
• 评估指标：
  • 检测性能： 精确度 (Precision)、召回率 (Recall)、mAP@50 以及 mAP@50–95。
  • 计算效率： 参数量、FLOPs、推理延迟 (ms/图像)、GPU 显存占用以及能量消耗 (焦耳/推理)。
  • 绿色 AI 指标： 计算 能量效率得分 (EES)，定义为 mAP@50 与能量消耗的比值。
  • 部署适用性： 作者引入了 能量感知临床部署适用性指数 (EA-CDSI)。该指标将诊断准确性、归一化计算复杂度（GFLOPs、参数）和能量消耗整合为一个单一评分，用以评估模型在资源受限环境下的临床部署就绪度。

关键结果
实验结果表明，LiteChestGreenXY11n 在准确性和效率之间实现了最佳平衡：

• 检测准确性： LiteChestGreenXY11n 实现了最高的 mAP@50，为 0.355，略微超过了 YOLOv5s (0.350)、YOLOv8s (0.344) 和 YOLO11s (0.352)。它保持了具有竞争力的精确度 (0.438) 和召回率 (0.358)。文中指出，虽然 LiteChestGreenXY11n 与 YOLO11s 的检测性能相近，但所提模型是以显著更少的资源实现的。
• 计算效率： 该模型展示了卓越的效率，拥有 3.01 百万个参数 和 4.05 B FLOPs (4.046899 B)，显著低于基准模型（例如 YOLOv8s 拥有 11.13M 参数和 14.23 GFLOPs）。它实现了最低的推理延迟，为 4.0 ms/图像，以及最低的计算负载 6.3 GFLOPs。
• 能量消耗： LiteChestGreenXY11n 的单次推理能耗最低，为 0.588 焦耳，相比之下，YOLOv5s 为 0.965 J，YOLOv8s 为 0.99 J，YOLO11s 为 1.029 J。因此，它获得了最高的能量效率得分 (EES)，为 0.604 mAP/J。
• 可解释性： 在 Grad-CAM 评估中，LiteChefGreenXY11n 获得了 8.8 的质量得分 和 88.9% 的定位准确度，仅次于 YOLO11s (9.0 和 89.6%)，但其计算开销大幅降低。热图被描述为具有“高”临床可解释性。
• 部署适用性： 在 EA-CDSI 分析中，LiteChestGreenXY11n 获得了 1.0000 的归一化得分，是所有测试模型中最高的。这表明它提供了诊断能力与资源效率之间的最佳平衡，使其成为在低基础设施临床环境中部署的最合适候选方案。

意义与主张
论文声称，LiteChestGreenXY11n 通过将高检测精度、计算效率和可解释性整合到统一框架中，成功解决了研究空白。作者断言，该模型通过在不牺牲诊断可靠性的情况下显著降低环境足迹（能量与计算），促进了医疗 AI 的可持续性和可扩展性。

该研究将 LiteChestGreenXY11n 定位为边缘计算和资源受限医疗设施的实用解决方案，在这些场景下大规模模型并不适用。通过引入 EA-CDSI 和临床 AI 设计空间框架，作者为评估准确性、成本与能量之间的权衡提供了一种方法论，并认为其提出的模型代表了当前临床需求下该设计空间中的最优解。研究结论认为，该框架能够实现透明、节能且临床可行的胸部 X 光分析，从而促进绿色 AI 在医学诊断中的应用。