在资源有限的农村环境中进行多模式临床筛查的云边缘系统

医疗人工智能已经证明了专家级的诊断准确性，但在资源有限的农村环境中，这些能力仍然基本上无法获得，这些环境中带宽稀缺、计算有限，并且临床决策需要集成异构模式。我们引入了一种云-边缘协作架构来解决这些限制：边缘上的轻量级、特定于领域的模型将原始医疗数据转换为紧凑的结构化输出，而云 LLM 将这些输出合成为临床摘要。基于 LLM 的协调器可根据患者情况动态选择诊断工具，从而促进全面的模式覆盖，而无需处理不相关的输入。我们在三种模拟网络配置文件 (500,kbps--5,Mbps) 下评估了涵盖心脏、产科、创伤和筛查场景的 20 个多模式临床病例。该混合系统实现了 98--99% 的诊断工具召回率和 92--96% 的精度，在临床准确性方面匹配或超过纯云基线，并以 4--15 倍的较低词元成本保持带宽不变延迟 (25--35,s)。这些结果凸显了与部署限制下的纯云方法相比，架构设计在实现高效多模式集成和改善事实基础方面的作用。