يُعتبر اعتلال الشبكية السكري (Diabetic Retinopathy) من أبرز أسباب العمى القابل للتجنب، ومع ذلك، تواجه المناطق الريفية تحديات كبيرة في توفير المتخصصين والبنية التحتية اللازمة لاكتشاف المرض في مراحله المبكرة. ورغم أن أنظمة التعلم العميق المعتمدة على السحابة توفر دقة عالية، إلا أن التحديات المتمثلة في الكمون العالي، وعرض النطاق الترددي المحدود، وتكاليف نقل البيانات العالية تجعل استخدامها في تلك المناطق تحدياً كبيراً.

لمواجهة هذه التحديات، تم اقتراح نموذج هجين يجمع بين تقنية السحابة والهامش يتكون من طابقين. يعتمد الطابق الأول على تشغيل نموذج (MobileNetV3-small) الخفيف على جهاز محلي في العيادة للقيام بعملية فرز ثنائية بين الحالات التي تحتاج إلى إحالة للحالات المرجعية من اعتلال الشبكية (Classes 2-4) وتلك الغير مرجعية (Classes 0-1). بينما يقوم الطابق الثاني بتشغيل نموذج (RETFoundDINOv2) في السحابة لغرض تصنيف شدة الحالات، لكنه يعمل فقط على الصور التي تم تحديدها كمرجعية من قبل الطابق الأول.

عند اختبار النموذج على مجموعة بيانات (APTOS 2019) المخصصة للكشف عن العمى، سجل الطابق الأول دقة حساسية تبلغ 98.99% ونسبة خصوصية تبلغ 84.37% عند استخدام عتبة حساسية عالية تم ضبطها بشكل صحيح. يُحيل النموذج الافتراضي ما نسبته 49.52% من الصور المختبرة إلى الطابق الثاني، مما يقلل من استدعاءات السحابة بنسبة 50.48% مقارنةً باستخدام نموذج سحابي لجميع الصور. وبالنسبة لنتائج التصنيف المتعددة (Class 0-1 / Class 2 / Class 3 / Class 4)، فإن الطابق المركب يحقق دقة تصل إلى 80.49% مع معدل كابا وزني رباعي يبلغ 0.8167. بينما النموذج السحابي وحده يسجل دقة تبلغ 80.76% ومعدل كابا وزني رباعي قدره 0.8184.

تُظهر النتائج أن النموذج المطبق يمكن أن يُقلل من استخدام السحابة بنحو نصف ما يتطلبه النموذج التقليدي دون فقد كبير في أداء التصنيف. هذه الحلول تمثل خطوة هامة نحو تعزيز الرعاية الصحية في المناطق الريفية وتمكين الكشف المبكر عن اعتلال الشبكية السكري.