ピクセルから予後へ：畳み込みとGLCM特徴融合による4クラス白内障重症度自動分類

研究者らは、標準的な消費者向けカラー写真のみを使用し、専用の眼科ハードウェアを必要としない低コストの白内障重症度自動分類システムを開発した。このシステムは、白内障を正常、未熟、成熟、過熟の4段階に分類する。研究はK. Mithra氏とPrem Kumar Santhanam氏によって行われ、2026年7月にJournal of Intelligent Medicine and Healthcareに掲載され、arXiv（識別子2607.18349）にもプレプリントとして公開された。

本手法はハイブリッドフレームワークを採用しており、畳み込みニューラルネットワーク（CNN）から抽出された深層特徴と、手作りのテクスチャおよび強度記述子を融合する。まず、ハフ円変換を用いて画像内の瞳孔領域（ROI）を特定し、その領域から5種類のグレーレベル共起行列（GLCM）および強度特徴（平均強度、均一性、標準偏差、コントラスト、エネルギー）を抽出する。これらの手作りの特徴はCNNの深層特徴と結合され、動径基底関数（RBF）カーネルを持つマルチクラスサポートベクターマシン（SVM）に入力されて分類が行われる。

眼科クリニックで収集された300枚のラベル付き画像（各クラス75枚）を用いた評価では、融合システムは95.0%の精度、93.8%の感度、96.1%の特異度を達成した。これは、テクスチャ特徴のみ（88.5%）やCNN特徴のみ（91.3%）のベースラインを大幅に上回り、最近発表された深層学習手法をも凌駕する結果である。注目すべきは、本システムがGPUアクセラレーションや専用カメラを必要とせず、一般的なカメラで動作する点である。

研究の結論として、CNN-GLCM-SVM融合フレームワークは4クラスの白内障グレーディングにおいて競争力のある性能を提供し、特にリソースが限られた環境でのプライマリケアや遠隔医療への展開に適している。この成果により、専門的な眼科機器や眼科医が不足している地域でも白内障スクリーニングが可能となり、世界的な失明予防に貢献することが期待される。