從像素到預後：卷積與GLCM特徵融合實現白內障四類嚴重度自動分級
研究提出一種低成本自動白內障嚴重度分級系統，通過融合卷積神經網絡（CNN）深度特徵與五種手工設計的灰度共生矩陣（GLCM）及強度描述符，使用支持向量機（SVM）對標準消費級眼部照片進行四類分級。在300張臨牀圖像上達到95.0%準確率，無需GPU或專用相機，適合資源有限環境下的初級醫療與遠程醫療。
研究人員開發了一種基於標準消費級彩色眼部照片的低成本白內障嚴重度自動分級系統，無需專用眼科硬件即可將白內障分為正常、未成熟、成熟和過熟四類。該研究由K. Mithra和Prem Kumar Santhanam完成，發表於2026年7月的《智能醫學與醫療保健雜誌》，並預印於arXiv（編號2607.18349）。
該系統的核心是一種混合框架，結合了卷積神經網絡（CNN）提取的深度特徵與手工設計的紋理和強度描述符。首先，通過Hough圓變換在圖像中定位瞳孔區域（ROI），然後從該區域提取五種灰度共生矩陣（GLCM）和強度特徵：平均強度、均勻性、標準差、對比度和能量。這些手工特徵與CNN的深度特徵融合後，輸入到具有徑向基函數（RBF）核的多類支持向量機（SVM）中進行分類。
在來自眼科診所的300張標註圖像（每類75張）上，該融合系統達到了95.0%的總體準確率，靈敏度為93.8%，特異性為96.1%。這一結果顯著優於僅使用紋理特徵（88.5%）和僅使用CNN特徵（91.3%）的基線系統，並超過了近期發表的純深度學習方法。更重要的是，該系統無需GPU加速或特殊攝像頭，僅需消費級相機即可運行，極大地降低了硬件門檻。
研究的結論指出，CNN-GLCM-SVM融合框架在白內障四類分級中提供了極具競爭力的性能，特別適合部署在資源有限的初級醫療和遠程醫療場景中。這一成果有望提高白內障篩查的可及性，尤其是在缺乏專業眼科設備和眼科醫生的地區，為全球防盲工作提供新的技術支撐。