“`html
这项研究深入探讨了病理学中存在的一个紧迫问题 – 深度学习所关联的显著二氧化碳当量（CO2eq）排放。这种环境影响可能成为普及医疗应用中深度学习的潜在障碍，迫切需要采取可持续的做法。随着世界日益依赖医疗技术进步，了解和缓解环境后果变得至关重要。
当前深度学习模型架构的发展趋势表现出越来越复杂的特点。来自不同机构的研究人员审查了这一发展及其潜在的环境影响。然而，他们提出了一个有说服力的解决方案，主张在模型选择上进行战略性转变。研究人员建议不要只注重最新和最大的模型，而是优先选择计算要求较低的模型。这种战略方法可以减少能源消耗，并引入模型修剪的概念。该技术可以精确删除不必要的参数，提高计算效率，同时保持最佳的模型性能。
所提出的解决方案包括几个关键策略，以平衡技术创新和环境责任。其中一个关键方面包括减少输入数据，特别是在病理学领域，大型全切片图像（WSIs）是常态。研究人员建议通过专用组织检测深度学习模型自动排除没有组织的区域。此外，该研究强调了在组织内选择最低需求的感兴趣区域（ROIs）的重要性，进一步简化流程并显著减少排放。
选择计算要求较低的模型的重点对于深度学习的环境影响具有深远意义。研究人员认为，较新较大的模型天然优于其前辈的假设在特定任务中可能不成立。他们的先前研究结果表明，较简单的深度学习模型在各种病理学任务中的表现可与更先进的模型相当，甚至更好。值得注意的是，一个相对简单、可训练参数较少的深度学习模型在显著减少CO2eq排放的同时，表现优于一个更深的模型。
此外，该研究引入了模型修剪的概念，作为增强可持续性的另一途径。模型修剪，也称为模型优化或压缩，涉及有策略地删除非必要的参数。研究团队的发现表明，经过修剪的分类模型在保持准确性的同时，产生的CO2eq排放比未经修剪的模型少20-30%。这一发现强调了战略模型开发的重要性，以确保深度学习在环境上的可持续性。
总之，这项研究在病理学中揭示了技术进步和环境责任之间的重要交汇点。所提出的方法为解决深度学习的生态影响提供了务实和环保的方法，同时不影响效率。随着医学界在技术进步中前进，这项研究呼吁进行范式转变，敦促研究人员和产业界在追求创新时优先考虑可持续性。通过采用这种做法，推动医疗技术的发展与减轻环境影响之间的微妙平衡变得可行，确保医疗创新的可持续未来。
“`