Menjelajahi keberlanjutan lingkungan kecerdasan buatan dalam radiologi: Sebuah tinjauan lingkup

Temuan menunjukkan bahwa penelitian tentang AI berkelanjutan dalam radiologi masih langka tetapi berkembang pesat. Dominasi metrik energi dan karbon menunjukkan fokus pada efisiensi operasional, sementara konsumsi air sebagian besar diabaikan. Strategi yang diusulkan—arsitektur ringan, kuantisasi, dan pruning—dapat mengurangi penggunaan energi hingga 80% tanpa kehilangan performa yang signifikan. Namun, ada trade-off: kuantisasi dapat sedikit menurunkan akurasi, dan keberlanjutan komputasi awan bergantung pada bauran energi penyedianya. Kurangnya pelaporan yang terstandarisasi menghambat komparabilitas antar studi. Misalnya, beberapa studi melaporkan CO2eq per inferensi, yang lain per pelatihan, dan sedikit yang menyertakan life cycle assessment (LCA). Tinjauan ini menyoroti perlunya metrik yang transparan dan konsisten serta eco-label untuk memandu ahli radiologi dan pengembang. Penelitian mendatang harus mengeksplorasi dampak lingkungan dari LLMs dan vision transformers (ViTs) dalam radiologi, karena model-model ini lebih intensif sumber daya. Selain itu, kebijakan yang memberi insentif pada green AI—seperti penjadwalan yang sadar karbon dan pengadaan energi terbarukan—sangat penting. Batasan tinjauan ini mencakup pengecualian studi non-Inggris/Prancis dan abstrak konferensi, yang mungkin berisi data relevan. Meskipun ada batasan ini, sintesis ini memberikan fondasi untuk mengintegrasikan keberlanjutan lingkungan ke dalam pengembangan AI dalam radiologi.

Praktisi dan peneliti ilmu komputer