Analisando a Eficiência Ambiental em IA para Diagnóstico por Raios-X

A integração de ferramentas de IA em aplicações médicas tem como objetivo melhorar a eficiência do diagnóstico. O surgimento de grandes modelos de linguagem (LLMs), como ChatGPT e Claude, expandiu ainda mais essa integração, apesar da preocupação com seu impacto ambiental. Devido à versatilidade e facilidade de uso dos LLMs por meio de APIs, esses modelos maiores são frequentemente utilizados, embora modelos personalizados menores possam ser usados em vez disso. Neste artigo, LLMs e pequenos modelos discriminativos são integrados em uma aplicação Mendix para detectar Covid-19 em raios-X torácicos. Esses modelos discriminativos também são usados para fornecer bases de conhecimento para os LLMs para melhorar a precisão. Isso fornece um estudo de referência de 14 diferentes configurações de modelos para comparação de precisão diagnóstica e impacto ambiental. Os resultados indicaram que, enquanto modelos menores reduziram a pegada de carbono da aplicação, a produção foi tendenciosa em direção a um diagnóstico positivo, e as probabilidades de saídas careciam de confiança. Enquanto isso, restringir os LLMs a fornecer apenas saídas probabilísticas causou um desempenho ruim tanto em precisão quanto em pegada de carbono, demonstrando o risco de usar LLMs como uma solução universal de IA. Embora o uso do LLM menor GPT-4.1-Nano tenha reduzido a pegada de carbono em 94,2% em comparação com os modelos maiores, isso ainda foi desproporcional em relação aos modelos discriminativos; a solução mais eficiente foi o modelo Covid-Net. Embora tivesse uma pegada de carbono maior do que outros modelos pequenos, sua pegada de carbono foi 99,9% menor do que ao usar o GPT-4.5-Preview, alcançando uma precisão de 95,5%, a mais alta entre todos os modelos examinados. Este artigo contribui para o conhecimento ao comparar modelos generativos e discriminativos na detecção de Covid-19, além de destacar o risco ambiental de usar ferramentas generativas para tarefas de classificação.