Los servicios oftalmológicos enfrentan deficiencias globales, especialmente en países de ingresos bajos y medios, que se caracterizan por la escasez de profesionales y equipos. Este estudio utilizó un microscopio portátil de lámpara de hendidura con capacidades de video y almacenamiento en la nube para una distribución más equitativa de los recursos diagnósticos globales. Para mejorar la accesibilidad y calidad de la atención, este estudio se centra en la opacidad corneal, que es una causa global de ceguera. Este estudio tiene dos propósitos. El primero es detectar opacidad corneal a partir de videos en los que se captura el segmento anterior del ojo. El otro es desarrollar un canal de inteligencia artificial para detectar opacidades corneales. Primero, extraímos fotogramas de imágenes de los videos y los procesamos utilizando un modelo de red neuronal convolucional (CNN). Segundo, anotamos manualmente las imágenes para extraer solo los márgenes corneales, ajustamos el contraste con CLAHE y los procesamos utilizando el modelo de CNN. Finalmente, realizamos una segmentación semántica de la córnea utilizando datos anotados. Los resultados mostraron una precisión del 0.8 para los fotogramas de imágenes y del 0.96 para los márgenes corneales. Dice e IoU lograron una puntuación de 0.94 para la segmentación semántica de los márgenes corneales. Aunque la detección de opacidad corneal a partir de fotogramas de video parecía desafiante en las primeras etapas de este estudio, la anotación manual, la extracción corneal y el ajuste de contraste CLAHE mejoraron significativamente la precisión. La incorporación de la anotación manual en el canal de inteligencia artificial, a través de la segmentación semántica, facilitó una alta precisión en la detección de opacidad corneal.