从像素到预后：卷积与GLCM特征融合实现白内障四类严重度自动分级
研究提出一种低成本自动白内障严重度分级系统，通过融合卷积神经网络（CNN）深度特征与五种手工设计的灰度共生矩阵（GLCM）及强度描述符，使用支持向量机（SVM）对标准消费级眼部照片进行四类分级。在300张临床图像上达到95.0%准确率，无需GPU或专用相机，适合资源有限环境下的初级医疗与远程医疗。
研究人员开发了一种基于标准消费级彩色眼部照片的低成本白内障严重度自动分级系统，无需专用眼科硬件即可将白内障分为正常、未成熟、成熟和过熟四类。该研究由K. Mithra和Prem Kumar Santhanam完成，发表于2026年7月的《智能医学与医疗保健杂志》，并预印于arXiv（编号2607.18349）。
该系统的核心是一种混合框架，结合了卷积神经网络（CNN）提取的深度特征与手工设计的纹理和强度描述符。首先，通过Hough圆变换在图像中定位瞳孔区域（ROI），然后从该区域提取五种灰度共生矩阵（GLCM）和强度特征：平均强度、均匀性、标准差、对比度和能量。这些手工特征与CNN的深度特征融合后，输入到具有径向基函数（RBF）核的多类支持向量机（SVM）中进行分类。
在来自眼科诊所的300张标注图像（每类75张）上，该融合系统达到了95.0%的总体准确率，灵敏度为93.8%，特异性为96.1%。这一结果显著优于仅使用纹理特征（88.5%）和仅使用CNN特征（91.3%）的基线系统，并超过了近期发表的纯深度学习方法。更重要的是，该系统无需GPU加速或特殊摄像头，仅需消费级相机即可运行，极大地降低了硬件门槛。
研究的结论指出，CNN-GLCM-SVM融合框架在白内障四类分级中提供了极具竞争力的性能，特别适合部署在资源有限的初级医疗和远程医疗场景中。这一成果有望提高白内障筛查的可及性，尤其是在缺乏专业眼科设备和眼科医生的地区，为全球防盲工作提供新的技术支撑。