糖尿病網膜症（DR）は予防可能な失明の主要な原因の一つですが、農村部では早期発見に必要な眼科専門医やインフラが不足していることがよくあります。クラウドベースの深層学習診断システムは高い精度を提供しますが、ネットワーク環境が貧弱な農村地域では、高遅延、制限された帯域幅、高いデータ転送コストが大きな障壁となります。これらの課題に対処するため、研究者らは2層のエッジクラウドカスケードアーキテクチャを提案し、公開されているAPTOS 2019 Blindness Detectionデータセットで評価を行いました。
このアーキテクチャの第1層は、ローカルクリニックのデバイス上で軽量なMobileNetV3-smallモデルを実行し、眼底画像を「紹介可能DR」（クラス2～4）と「非紹介可能DR」（クラス0～1）に二値分類します。第1層で紹介可能と判定された画像のみがクラウドに送信されます。第2層はクラウド上でより強力なRETFoundDINOv2モデルを実行し、疑わしい画像に対して順序重症度グレーディング（4クラス出力：0-1、2、3、4）を実施します。この設計により、ほとんどの正常または軽度の症例はローカルで迅速に処理され、さらなる分析が必要な少数の画像のみがクラウドにアップロードされます。
実験では、APTOSデータセットから層化抽出した733枚の画像をテストセットとして使用しました。検証セットで調整された高感度しきい値において、第1層は98.99%の感度と84.37%の特異度を達成しました。デフォルトのカスケードはテスト画像の49.52%を第2層に転送し、すべての画像にクラウドモデルを使用した場合と比較してクラウド呼び出しを50.48%削減しました。4クラス分類タスクでは、カスケード全体の精度は80.49%、二次加重カッパ係数は0.8167でした。一方、クラウドのみのベースラインは精度80.76%、二次加重カッパ0.8184でした。これは、カスケードアーキテクチャがクラウドの計算負荷を半減させながら、ごくわずかな性能低下（精度0.27%減、カッパ0.0017減）しか犠牲にしていないことを示しています。
本研究は、農村地域に経済的で効率的なAI支援網膜スクリーニングを展開するための実用的なソリューションを提供します。診断精度とリソース制約のバランスを効果的に取っており、特にネットワークインフラが脆弱な遠隔地での活用が期待されます。今後の課題としては、より多様な集団やデータセットでの検証、実際の臨床ワークフローに合わせたモデル展開の最適化が挙げられます。この成果は、遠隔眼科医療サービスの普及と世界的な失明防止に貢献する可能性を秘めています。