用于自动糖尿病视网膜病变筛查的级联边缘云架构

糖尿病视网膜病变 (DR) 是可预防性失明的主要原因之一，自动筛查可以帮助扩展资源有限的临床工作流程中的专家能力。基于云的深度学习系统可以提供强大的分级性能，但它们需要图像上传和可靠的连接。我们在公共 APTOS 2019 失明检测数据集上评估了两层边缘云级联。第 1 层在本地运行轻量级 MobileNetV3-small 模型，以对可参考 DR（2-4 类）与非可参考 DR（0-1 类）进行分类。第 2 层在云中运行 RETFound-DINOv2 模型，仅对第 1 层标记为可参考的图像进行顺序严重性分级。在 733 个图像的分层 APTOS 测试中，第 1 层在验证调整的高灵敏度阈值下达到 98.99% 的灵敏度和 84.37% 的特异性。面向部署的安全层级联将 49.52% 的测试图像转发到第 2 层，相对于纯云模型，图像计数云调用减少了 50.48%。在部署的 4 类输出空间（0-1 类/2 类/3 类/4 类）中，安全层级联获得 77.49% 的准确度和 0.7938 二次加权 kappa，而仅云基线​​获得 80.76% 的准确度和 0.8184 kappa。第 2 层覆盖比较器将准确度提高到 80.49%，kappa 提高到 0.8167，但在第 1 层正确转发后，将 12 个真正可转介的案例降级。我们还报告了重复的分层引导变异性、流行程度相关的云调用曲线、原始字节上传估计以及本地层的 CPU 延迟。索引术语：糖尿病视网膜病变筛查、视网膜图像分析、边缘云计算、级联推理、远程眼科、临床决策支持、医疗人工智能、资源有限的医疗保健