Kleinere Modelle senken CO₂ bei KI-gestützter Röntgendiagnose

Eine neue Studie aus dem arXiv-Repository untersucht, wie künstliche Intelligenz die Effizienz bei der Röntgendiagnose von Covid‑19 verbessern kann, ohne dabei die Umwelt zu belasten. Dabei werden große Sprachmodelle (LLMs) wie ChatGPT und Claude mit kleineren, speziell trainierten Klassifikatoren in einer Mendix‑Anwendung kombiniert.

Die Forscher haben 14 unterschiedliche Modellkonfigurationen getestet, um die Genauigkeit und den CO₂-Fußabdruck zu vergleichen. Alle Modelle wurden auf die Erkennung von Covid‑19 in Brust‑Röntgenbildern angewendet, wobei die kleineren Modelle zusätzlich als Wissensbasis für die LLMs dienten.

Die Ergebnisse zeigen, dass kleinere Modelle den CO₂-Ausstoß deutlich reduzieren, jedoch zu einer positiven Diagnoseneigung und mangelndem Vertrauensgrad in die Wahrscheinlichkeiten führen. Wenn LLMs ausschließlich probabilistische Ausgaben liefern, verschlechtert sich sowohl die Genauigkeit als auch die Umweltbilanz erheblich. Ein kleineres LLM, GPT‑4.1‑Nano, senkt den CO₂-Fußabdruck um 94,2 % im Vergleich zu größeren Modellen, bleibt jedoch im Vergleich zu den discriminativen Modellen ineffizient. Das Modell Covid‑Net erweist sich als die effizienteste Lösung: Es hat zwar einen größeren CO₂-Fußabdruck als andere kleine Modelle, ist aber 99,9 % weniger umweltintensiv als GPT‑4.5‑Preview und erzielt mit 95,5 % die höchste Genauigkeit aller getesteten Modelle.

Die Studie unterstreicht, dass die Wahl des KI-Modells in der medizinischen Bildgebung nicht nur die diagnostische Leistung, sondern auch die ökologische Nachhaltigkeit maßgeblich beeinflusst. Für die Praxis bedeutet dies, dass gezielt kleinere, spezialisierte Modelle eingesetzt werden sollten, um sowohl die Umweltbelastung zu minimieren als auch die diagnostische Qualität zu maximieren.