糖尿病视网膜病变（DR）是可预防性失明的主要原因之一，而农村地区往往缺乏早期检测所需的眼科专家和基础设施。虽然基于云的深度学习诊断系统能够提供高精度，但在网络条件较差的农村环境中，高延迟、有限带宽和高数据传输成本成为主要障碍。为应对这些挑战，来自研究者提出了一种两级边缘-云级联架构，并在公开的APTOS 2019盲检测数据集上进行了全面验证。
该架构的第一级部署在本地诊所设备上，运行轻量级的MobileNetV3-small模型，执行二分类任务：将眼底图像分为“可转诊DR”（类别2至4）和“非可转诊DR”（类别0至1）。只有被第一级判定为可转诊的图像才会被传输到云端。第二级在云端运行更强大的RETFoundDINOv2模型，对可疑图像进行序数严重程度分级（四类输出：0-1级、2级、3级、4级）。这种设计确保了大多数正常或轻度病例在本地即可快速处理，仅将需要进一步分析的少数图像上传至云端。
实验采用分层抽样，从APTOS数据集中选取733张图像作为测试集。在验证集上调优的高灵敏度阈值下，第一级达到了98.99%的敏感性和84.37%的特异性。默认级联架构将49.52%的测试图像转发至第二级，相比所有图像都使用云端模型，云端调用减少了50.48%。在四类分级任务中，级联架构的整体准确率为80.49%，二次加权卡帕系数为0.8167；而纯云基线的准确率为80.76%，二次加权卡帕系数为0.8184。这表明，级联架构在将云端计算量减半的同时，仅牺牲了极其微小的分级性能（准确率下降0.27%，卡帕下降0.0017）。
这项研究为农村地区部署经济高效的AI辅助视网膜筛查提供了切实可行的解决方案。它有效平衡了诊断准确性与资源限制，尤其适用于网络基础设施薄弱的偏远地区。未来工作可包括在更多样化的人群和数据集中进行验证，以及针对实际临床工作流程优化模型部署方式。该成果有望推动远程眼科医疗服务向基层延伸，助力全球防盲事业。