A multi-model consensus framework for pneumonia detection: optimizing diagnostic sensitivity under “Green AI” constraints
Ertan M. Geldiev
Automated pneumonia diagnosis from chest X-rays minimizes subjective bias, but powerful deep learning models often require expensive hardware, hindering deployment in budget-limited regions. This study develops a “Green AI” framework that runs efficiently on legacy hardware, ensuring clinical safety is not sacrificed for lower computing costs. Models were validated on two distinct systems: a modern budget setup (Intel i3-10100/NVIDIA RTX 3050) and a legacy workstation (Intel Xeon E3-1245 v5/NVIDIA Quadro K2200), proving cross-generation hardware compatibility. The experimental results show that ResNet18 provides the best overall balance (89.26% accuracy, 78.20% specificity), while a lightweight L-CNN and a Linear SVM act as superior “safety nets,” achieving diagnostic sensitivities of 99.49% and 99.23%, respectively. The study’s primary contribution is the validation of the ‘Discrepancy Paradox’, where shallower models prove more robust against local anatomical artifacts (e.g., rib shadows) than overparameterized deep networks. Methodologically, we propose a hybrid multi-model consensus framework that utilizes these lightweight networks as a highsensitivity triage layer. Operating under ‘Green AI’ constraints, this design achieves 99.49% diagnostic sensitivity on legacy hardware. Thus, we demonstrate that algorithmic optimization can effectively compensate for computational limitations, delivering a safe, low-cost clinical decision support tool for resource-constrained environments.
Автоматизираната диагностика на пневмония елиминира субективните пристрастия, но мощните модели често изискват скъп хардуер, което възпрепятства внедряването им в региони с ограничени бюджети. В тази работа е представена рамка, базирана на „Зелен изкуствен интелект“ (Green AI), работеща ефективно върху остарял хардуер без компромис с клиничната безопасност. Моделите са валидирани върху две хардуерни системи от различни поколения. Резултатите сочат, че ResNet18 постига най- добър общ баланс, докато олекотената L-CNN архитектура и Linear SVM действат като високочувствителни „предпазни мрежи“. Основният принос на изследването е доказването на „Парадокса на несъответствието“, при който по-плитките модели са по-устойчиви на локални анатомични артефакти (сенки от ребра) спрямо дълбоките мрежи. Методологически е предложена хибридна консенсусна рамка, интегрираща тези олекотени модели като триажен слой. Подходът постига 99.49% чувствителност върху остарял хардуер в рамките на концепцията „Green AI“. Изследването доказва, че алгоритмичната оптимизация успешно компенсира хардуерните ограничения, осигурявайки безопасна и нискобюджетна клинична подкрепа в среди с ограничени ресурси.
Cite this article as:
Geldiev E., A multi-model consensus framework for pneumonia detection: optimizing diagnostic sensitivity under “Green AI” constraints. Electrotechnica & Electronica (Е+Е), Vol. 61 (1-2), 2026, pp.8-18, ISSN: 0861-4717 (Print), 2603-5421 (Online)
