other نقش هوش مصنوعی در بیماری گلوکوم: یک مقاله مروری مقاله مروري Review Article <span style="font-family:yekanYW;"><span style="font-size:12pt"><span style="line-height:102%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="FA" style="font-size:10.0pt"><span style="line-height:102%">هوش مصنوعی به‌عنوان ابزاری تحول‌آفرین در حوزه مراقبت‌های بهداشتی شناخته شده است و چشم‌پزشکی به دلیل وجود تصویربرداری‌های متنوع یکی از پیشروترین رشته‌ها در بهره‌گیری از این فناوری محسوب می‌شود. در میان بیماری‌های چشمی، گلوکوم به‌دلیل ماهیت مزمن و پیشرونده‌ و نیز نیاز به ارزیابی‌های ساختاری و عملکردی پیچیده، بستری مناسب برای توسعه و به‌کارگیری ابزارهای مبتنی بر هوش مصنوعی فراهم کرده است. در این مقاله مروری، جدیدترین کاربردهای هوش مصنوعی در حوزه گلوکوم با تمرکز بر جنبه‌های تشخیص، پایش روند پیشرفت بیماری، و کمک به تصمیم‌گیری‌های بالینی بررسی شده است. الگوریتم‌های مبتنی بر یادگیری ماشین و یادگیری عمیق توانسته‌اند با دقت بالایی داده‌های حاصل از تصویربرداری فوندوس، </span></span><span dir="LTR" style="font-size:8.0pt"><span style="line-height:102%">Optical Coherence</span></span><span lang="FA" style="font-size:10.0pt"><span style="line-height:102%"> و آزمون‌های میدان بینایی را تحلیل کرده و تغییرات مرتبط با گلوکوم را تشخیص دهند. این فناوری‌ها علاوه‌بر افزایش دقت تشخیص، می‌توانند ابزارهایی موثر برای غربالگری در مقیاس وسیع، به‌ویژه در مناطق با دسترسی محدود به متخصصان چشم‌پزشکی باشند. همچنین، استفاده از مدل‌های هوش مصنوعی در ردیابی تغییرات تدریجی ساختاری یا عملکردی چشم، امکان پیش‌بینی خطر پیشرفت بیماری و شخصی‌سازی برنامه درمانی را فراهم می‌سازد. با وجود این پیشرفت‌ها، چالش‌هایی همچون عدم‌تعمیم‌پذیری مدل‌ها به جمعیت‌ها و دستگاه‌های مختلف، کمبود داده‌های با کیفیت و قابل‌اعتماد و عدم‌شفافیت در فرآیند تصمیم‌گیری الگوریتم‌ها (پدیده جعبه سیاه) همچنان مانع از پذیرش گسترده این فناوری در عمل بالینی شده‌اند. این مقاله با مرور انتقادی بر دستاوردها و محدودیت‌های فعلی، مسیرهایی برای تحقیقات آینده و اجرای موثر و اخلاق‌مدار هوش مصنوعی در مراقبت از بیماران مبتلابه گلوکوم پیشنهاد می‌دهد.</span></span><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:102%"><span style="font-family:"B Lotus""></span></span></span></span></span></span></span></span><br> &nbsp; <div><span style="font-size:12pt"><span style="line-height:115%"><span new="" roman="" style="font-family:" times=""><span style="font-size:10.0pt"><span style="line-height:115%">Artificial intelligence (AI) has emerged as a transformative force in modern medicine, with ophthalmology standing at the forefront of its clinical integration. Among ophthalmic disorders, glaucoma&mdash;a leading cause of irreversible blindness worldwide&mdash;presents unique opportunities and challenges for AI-based solutions due to its chronic, progressive nature and reliance on multimodal data, including structural and functional assessments. This review article offers a comprehensive synthesis of the current and emerging roles of AI in the detection, monitoring, and management of glaucoma. AI algorithms, particularly deep learning and machine learning models, have demonstrated exceptional capabilities in interpreting fundus photographs, optical coherence tomography (OCT) images, and visual field data to identify glaucomatous damage. These systems often approach or even exceed the diagnostic performance of human experts. Moreover, AI has shown significant promise in facilitating large-scale population-based screening, improving early detection rates, and addressing disparities in access to subspecialty care, particularly in low-resource and remote settings. In the monitoring of disease progression, AI tools are being developed to detect subtle structural or functional changes over time, predict future visual outcomes, and support more precise and individualized treatment decisions. Despite these advancements, the widespread clinical adoption of AI in glaucoma care faces several critical barriers. Key limitations include poor generalizability of models across diverse populations, imaging devices, and clinical settings; scarcity of well-annotated, high-quality, and demographically representative datasets; and a lack of transparency and interpretability in algorithmic decision-making&mdash;commonly referred to as the &ldquo;black box&rdquo; problem. Ethical concerns, regulatory uncertainty, integration challenges within existing healthcare infrastructures, and medico-legal accountability also require thoughtful resolution before AI can be reliably deployed in clinical practice. This review critically evaluates the strengths, limitations, and real-world potential of AI technologies in glaucoma. It provides clinicians, researchers, and healthcare policymakers with a balanced and up-to-date perspective, highlighting promising avenues for future research, including explainable AI, federated learning, multi-modal data integration, and longitudinal validation studies. By fostering a deeper understanding of both the opportunities and challenges associated with AI, this article aims to guide the responsible, equitable, and evidence-based integration of AI into comprehensive glaucoma care.</span></span></span></span></span></div> هوش مصنوعی, یادگیری عمیق, گلوکوم, یادگیری ماشین. artificial intelligence, deep leaning, glaucoma, machine learning. 12 17 http://tumj.tums.ac.ir/browse.php?a_code=A-10-3666-893&slc_lang=other&sid=1 Zakieh Vahedian Ardakani زکیه واحدیان اردکانی No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Mehran Zarei-Ghanavati مهران زارعی قنواتی No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Hamid Riazi-Esfahani حمید ریاضی اصفهانی No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Seyed Mehdi Tabatabaei سید مهدی طباطبائی No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Mohammad Reza Mehrabi Bahar محمد رضا مهرابی بهار Yes Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Sadegh Ghafarian صادق غفاریان No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران. Ahmad Masoomi احمد معصومی No Ophthalmology Research Center, Farabi Hospital, Tehran University of Medical Sciences, Tehran, Iran. مرکز تحقیقات چشم پزشکی، بیمارستان فارابی، دانشگاه علوم پزشکی تهران، ایران.