青光眼是視力的隱形殺手，早期診斷為當前要務。診斷上，除了眼壓測量以外，尚須仰賴眼底攝影、光學同調斷層掃描以及視野檢查來綜合評估，而受專業訓練的眼科醫師為不可或缺之一環。然社會日益老化及醫療不均，如何有效率的篩檢青光眼且不致增加過多臨床醫師的負擔，給予了人工智慧介入的契機。
　　人工智慧於青光眼的運用其實由來已久，又以機器學習（Machine learning）和深度學習（Deep learning）為主。初期的機器學習演算法，利用統計分類的方式來協助診斷，如一開始的線性迴歸（linear regression model）、決策樹（Decision trees）等，到後來的隨機森林（Random forest）、支持向量機（Support vector machine）等運算法，透過輸入資料和預先標註的輸出訓練出一組預測模型，達到優異的分類功能。
　　此種方式可由機器自行摸索出學習規則，但缺點是需要人為的前處理（preprocessing）及特徵擷取（feature extraction）。而隨著半導體的進步和運算效能的提升，深度學習除了有機器學習的特色外，還可以自行擷取特徵值，使其有優異的圖形辨識能力，其中又以卷積神經網路（Convolutional neural network）在青光眼的運用更為廣泛。青光眼的許多關鍵檢查多以圖像呈現，十分適合深度學習的應用。
　　研究上，人工智慧於青光眼診斷已經有不錯的準確性，透過眼底攝影圖像訓練，人工智慧已經可以達到比人類更高的敏感性（71.6~100%）和特異性（71.7~100%），整體準確度（accuracy）也可以達到九成以上。利用在圖像辨識上的優勢，可以達到自動且準確的光學同調斷層掃描的判讀和重組，除了協助臨床醫師判斷外，對於研究青光眼視神經頭的生物力學（biomechanics）也可能帶來正向的貢獻。在於偵測視野惡化程度上，少部分研究指出可以利用機器學習來提高現階段的準確性。
　　雖然人工智慧應用在青光眼上有初步的成功，但日後能否產生醫療生態的改變尚有許多挑戰待克服。首先，多數相關研究都是使用自己的資料庫做模組的訓練和驗證，在真實世界的通則性（generalizability）則尚待考驗。第二，青光眼的診斷準則尚未有真正的共識，尤其在較難診斷的青光眼（如：高度近視）中更可能大相逕庭，會使人工智慧的訓練上不可避免地造成誤差。第三，雖然增加輸入資料的種類可以提升分類的準確度，卻也代表需要更大量的訓練資料庫，增加訓練的難度，如何取得平衡也是努力的目標。人工智慧在青光眼的應用中，不論是早期篩檢、病情變化以及基礎研究上都有不小的影響，相信在克服了困難後，不久的將來將會讓醫療環境造成革命性改變。