Las cataratas, caracterizadas por la opacidad del cristalino, representan una preocupación significativa para la salud global, lo que conlleva a una visión borrosa y posibles cegueras. La detección oportuna es crucial, especialmente en regiones con escasez de oftalmólogos, donde el diagnóstico manual es lento. Aunque el aprendizaje profundo y las redes neuronales convolucionales (CNNs) ofrecen soluciones prometedoras, los modelos existentes a menudo tienen dificultades con conjuntos de datos diversos. Este estudio introduce un enfoque híbrido de CNN, entrenando tanto con imágenes completas de fondo de retina como con partes cuadradas (es decir, las imágenes de fondo de retina divididas en cuatro segmentos). Se utiliza un voto mayoritario para mejorar la precisión, lo que resulta en un rendimiento superior del 97.12%, representando una mejora del 1.44%. El modelo híbrido facilita la detección temprana de cataratas, ayudando a prevenir el deterioro de la visión. Integrado en aplicaciones, apoya a los oftalmólogos al proporcionar predicciones rápidas y rentables. Más allá de la detección de cataratas, esta investigación aborda desafíos más amplios de visión por computadora, contribuyendo a diversas aplicaciones. En conclusión, nuestro enfoque propuesto, combinando CNNs y cuadratura de imágenes, mejora la precisión, robustez y generalización en la detección de cataratas. Esta innovación promete mejorar la atención al paciente y ayudar a los oftalmólogos en un diagnóstico preciso de cataratas.