Инфраструктурный разрыв в сельской медицине — это стеклянный потолок для ИИ, который не пробить даже самыми точными облачными моделями. Когда снимки глазного дна весят по 20 МБ, попытка отправить их на сервер в условиях нестабильного интернета превращается в лотерею. Ниши Доши и Шрей Шах из Университета Южной Калифорнии предложили прагматичное решение проблемы «цифрового голода»: двухуровневую каскадную архитектуру, где облако перестает быть обязательной инстанцией и превращается в премиальный ресурс для сложных случаев.
Суть стратегии — в асимметрии задач. На первом уровне (Tier 1) работает MobileNetV3-small — «легкая» модель, развернутая прямо на локальном устройстве. Ее задача — бинарный триаж: отсеять здоровых пациентов от тех, кому требуется внимание врача. По данным исследователей, на датасете APTOS2019 этот фильтр показал чувствительность 98,99% при специфичности 84,37%. Выкрутив чувствительность на максимум, авторы добились того, что система практически не пропускает патологии на периферии, при этом 50,48% всего трафика обрабатывается локально, не требуя ни байта интернет-канала.
Второй уровень вступает в игру только тогда, когда локальный фильтр сомневается. Тяжеловесная модель RETFound-DINOv2 в облаке получает лишь половину изображений и занимается прецизионным определением стадий диабетической ретинопатии. Это не просто экономия трафика, а оптимизация инференса: как пояснил Шрей Шах, нагрузка на облако сократилась вдвое при статистически незначимом снижении точности. Итоговая точность каскада составила 80,49% против 80,76% у «чистого» облачного решения — разрыв, которым в реальных полевых условиях можно пренебречь ради операционной автономности.
Однако у медали есть и оборотная сторона. Агрессивные пороги чувствительности на Edge-устройстве неизбежно порождают «ложные тревоги», заставляя систему зря нагружать облако. На наш взгляд, главным вызовом при масштабировании на другие патологии станет не архитектура, а вариативность качества снимков на дешевом оборудовании. Тем не менее, предложенный подход — это единственный рабочий путь для телемедицины на развивающихся рынках. Вместо того чтобы ждать гигабитных каналов в каждую деревню, разработчикам стоит строить фильтры, которые знают, когда стоит просить помощи у «центра», а когда можно справиться своими силами.