分析AI在X射线诊断中的环境效率

将AI工具集成到医疗应用旨在提高诊断效率。大型语言模型(LLM)如ChatGPT和Claude的出现进一步扩展了这一集成，尽管存在环境影响的顾虑。由于LLM的多功能性和通过API的便捷性，使用这些大型模型尽管小型定制模型可以胜在场上。在本文中，我们将LLMs和小型判别模型集成到Mendix应用程序中，用于检测肺部X光中的新冠病毒感染。这些判别模型也用于提供LLMs的知识库以提高准确性。这提供了一个对14种不同模型配置进行诊断准确性和环境影响比较的基准研究。研究结果表明，虽然小型模型降低了应用程序的碳足迹，但输出倾向于积极诊断，输出概率缺乏信心。相反，限制LLMs仅给出概率性输出会导致准确性和碳足迹表现不佳，表明将LLMs作为通用AI解决方案的风险。虽然使用小型LLM GPT-4.1-Nano相对于大型模型将碳足迹降低了94.2%，但这仍然不成比例于判别模型；最有效的解决方案是Covid-Net模型。虽然它比其他小型模型具有更大的碳足迹，但其碳足迹比GPT-4.5-Preview低99.9%，同时实现了95.5%的准确性，是所研究的所有模型中最高的。这篇论文通过比较生成式和判别式模型在新冠病毒检测中的应用，以及突出使用生成式工具进行分类任务的环境风险来为知识做出贡献。