In the last decade, artificial intelligence (AI) has significantly impacted ophthalmology, particularly in managing corneal diseases, a major reversible cause of blindness. This review explores AI's transformative role in the corneal subspecialty, which has adopted advanced technology for superior clinical judgment, early diagnosis, and personalized therapy. While AI's role in anterior segment diseases is less documented compared to glaucoma and retinal pathologies, this review highlights its integration into corneal diagnostics through imaging techniques like slit-lamp biomicroscopy, anterior segment optical coherence tomography (AS-OCT), and in vivo confocal biomicroscopy. AI has been pivotal in refining decision-making and prognosis for conditions such as keratoconus, infectious keratitis, and dystrophies. Multi-disease deep learning neural networks (MDDNs) have shown diagnostic ability in classifying corneal diseases using AS-OCT images, achieving notable metrics like an AUC of 0.910. AI's progress over two decades has significantly improved the accuracy of diagnosing conditions like keratoconus and microbial keratitis. For instance, AI has achieved a 90.7% accuracy rate in classifying bacterial and fungal keratitis and an AUC of 0.910 in differentiating various corneal diseases. Convolutional neural networks (CNNs) have enhanced the analysis of color-coded corneal maps, yielding up to 99.3% diagnostic accuracy for keratoconus. Deep learning algorithms have also shown robust performance in detecting fungal hyphae on in vivo confocal microscopy, with precise quantification of hyphal density. AI models combining tomography scans and visual acuity have demonstrated up to 97% accuracy in keratoconus staging according to the Amsler–Krumeich classification. However, the review acknowledges the limitations of current AI models, including their reliance on binary classification, which may not capture the complexity of real-world clinical presentations with multiple coexisting disorders. Challenges also include dependency on data quality, diverse imaging protocols, and integrating multimodal images for a generalized AI diagnosis. The need for interpretability in AI models is emphasized to foster trust and applicability in clinical settings. Looking ahead, AI has the potential to unravel the intricate mechanisms behind corneal pathologies, reduce healthcare's carbon footprint, and revolutionize diagnostic and management paradigms. Ethical and regulatory considerations will accompany AI's clinical adoption, marking an era where AI not only assists but augments ophthalmic care.

Au cours de la dernière décennie, l’intelligence artificielle (IA) a eu un impact significatif sur l’ophtalmologie, notamment dans la gestion des maladies cornéennes, une cause réversible majeure de cécité. Cette revue explore le rôle transformateur de l’IA, dans la sous-spécialité cornéenne, qui a adopté une technologie de pointe pour un jugement clinique supérieur, un diagnostic précoce et une thérapie personnalisée. Bien que le rôle de l’IA dans les maladies du segment antérieur soit moins documenté que celui du glaucome et des pathologies rétiniennes, cette revue met en évidence son intégration dans le diagnostic cornéen grâce à des techniques d’imagerie telles que la biomicroscopie à la lampe à fente, la tomographie par cohérence optique du segment antérieur (AS-OCT) et la biomicroscopie confocale in vivo. L’IA a joué un rôle essentiel dans l’affinement de la prise de décision et du pronostic de maladies telles que le kératocône, la kératite infectieuse et les dystrophies. Les réseaux neuronaux d’apprentissage profond (MDDN) multi-maladies ont montré leur capacité de diagnostic à classer les maladies cornéennes à l’aide d’images AS-OCT, atteignant des mesures notables comme une AUC de 0,910. Les progrès de l’IA sur deux décennies ont considérablement amélioré la précision du diagnostic de maladies telles que le kératocône et la kératite microbienne. Par exemple, l’IA a atteint un taux de précision de 90,7 % dans la classification des kératites bactériennes et fongiques et une ASC de 0,910 dans la différenciation de diverses maladies cornéennes. Les réseaux neuronaux convolutifs (CNN) ont amélioré l’analyse des cartes cornéennes codées par couleur, produisant jusqu’à 99,3 % de précision diagnostique pour le kératocône. Les algorithmes d’apprentissage profond ont également montré des performances robustes dans la détection des hyphes fongiques en microscopie confocale in vivo, avec une quantification précise de la densité des hyphes. Les modèles d’IA combinant tomographie et acuité visuelle ont démontré une précision allant jusqu’à 97 % dans la stadification du kératocône selon la classification Amsler-Krumeich. Cependant, la revue reconnaît les limites des modèles d’IA actuels, notamment leur dépendance à l’égard d’une classification binaire, qui ne rend peut-être pas compte de la complexité des présentations cliniques réelles avec de multiples troubles coexistants. Les défis incluent également la dépendance à l’égard de la qualité des données, la diversité des protocoles d’imagerie et l’intégration d’images multimodales pour un diagnostic généralisé par l’IA. La nécessité d’interprétabilité dans les modèles d’IA est soulignée pour favoriser la confiance et l’applicabilité en milieu clinique. À l’avenir, l’IA a le potentiel de démêler les mécanismes complexes à l’origine des pathologies cornéennes, de réduire l’empreinte carbone des soins de santé et de révolutionner les paradigmes de diagnostic et de gestion. Des considérations éthiques et réglementaires accompagneront l’adoption clinique de l’IA, marquant une ère où l’IA non seulement assiste mais augmente les soins ophtalmologiques.