本研究は、標準的な消費者向けカメラで撮影した眼の写真から白内障の重症度を自動判定するシステムの開発に成功しました。高度な眼科機器を必要とせず、低コストで実現できるこのシステムは、資源が限定的な地域での医療提供に大きな可能性を秘めています。 研究チームが採用したのは、畳み込みニューラルネットワーク（CNN）の深層特徴とGrey-Level Co-occurrence Matrix（GLCM）による手工芸的特徴量を融合させるハイブリッドなアプローチです。具体的には、Houghサークル検出によって特定された瞳孔領域から、平均輝度、均一性、標準偏差、コントラスト、エネルギーという5つの強度記述子を抽出しました。これらの特徴量を統合して、RBFカーネルを用いたマルチクラスサポートベクターマシン（SVM）で分類を行い、白内障を正常、未熟、成熟、過熟の4段階に分類します。 開発されたシステムの性能は極めて優秀で、眼科医が検査した300枚の画像データセット（各クラス75枚）に対して95.0%の精度、93.8%の感度、96.1%の特異度を達成しました。これはテクスチャ特徴のみを用いた場合の88.5%やCNNのみを用いた場合の91.3%を大きく上回り、最近発表された深層学習アプローチの成績をも凌駕しています。 このCNN-GLCM-SVM融合フレームワークの最大の利点は、GPU加速や専門的なカメラ機器を必要としない点にあります。一次医療機関やテレメディシン環境での導入が容易であり、医療リソースが限定的な地域での白内障診断に大きく貢献する可能性を持つシステムとして期待されています。