糖尿病視網膜病變（DR）是可預防性失明的主要原因之一，而農村地區往往缺乏早期檢測所需的眼科專家和基礎設施。雖然基於雲的深度學習診斷系統能夠提供高精度，但在網路條件較差的農村環境中，高延遲、有限頻寬和高資料傳輸成本成為主要障礙。為應對這些挑戰，來自研究者提出了一種兩級邊緣-雲級聯架構，並在公開的APTOS 2019盲檢測資料集上進行了全面驗證。
該架構的第一級部署在本地診所裝置上，執行輕量級的MobileNetV3-small模型，執行二分類任務：將眼底影像分為“可轉診DR”（類別2至4）和“非可轉診DR”（類別0至1）。只有被第一級判定為可轉診的影像才會被傳輸到雲端。第二級在雲端執行更強大的RETFoundDINOv2模型，對可疑影像進行序數嚴重程度分級（四類輸出：0-1級、2級、3級、4級）。這種設計確保了大多數正常或輕度病例在本地即可快速處理，僅將需要進一步分析的少數影像上傳至雲端。
實驗採用分層抽樣，從APTOS資料集中選取733張影像作為測試集。在驗證集上調優的高靈敏度閾值下，第一級達到了98.99%的敏感性和84.37%的特異性。預設級聯架構將49.52%的測試影像轉發至第二級，相比所有影像都使用雲端模型，雲端呼叫減少了50.48%。在四類分級任務中，級聯架構的整體準確率為80.49%，二次加權卡帕係數為0.8167；而純雲基線的準確率為80.76%，二次加權卡帕係數為0.8184。這表明，級聯架構在將雲端計算量減半的同時，僅犧牲了極其微小的分級效能（準確率下降0.27%，卡帕下降0.0017）。
這項研究為農村地區部署經濟高效的AI輔助視網膜篩查提供了切實可行的解決方案。它有效平衡了診斷準確性與資源限制，尤其適用於網路基礎設施薄弱的偏遠地區。未來工作可包括在更多樣化的人群和資料集中進行驗證，以及針對實際臨床工作流程最佳化模型部署方式。該成果有望推動遠端眼科醫療服務向基層延伸，助力全球防盲事業。