Estudios anteriores se centraron en entrenar modelos de aprendizaje profundo ResNet50 en un conjunto de datos de imágenes de fondo de ojo del Hospital de la Universidad Nacional de Taiwán, Sucursal de HsinChu. El estudio tuvo como objetivo identificar áreas discriminativas específicas de clase relacionadas con diversas condiciones del complejo de células ganglionares (GCC), áreas de enfoque central, parches recortados de fondo de ojo y particiones del conjunto de datos. El estudio utilizó dos métodos de visualización para evaluar y explicar las áreas de interés del modelo de red y determinar si se alineaban con el conocimiento diagnóstico clínico. Los resultados de los experimentos demostraron que la incorporación de información sobre el grosor del GCC mejoró la precisión de la determinación del glaucoma. Los modelos de aprendizaje profundo se centraron principalmente en la cabeza del nervio óptico (ONH) para el diagnóstico del glaucoma, lo cual fue consistente con las reglas clínicas. Sin embargo, los modelos lograron una alta precisión de predicción en la detección de casos de glaucoma utilizando solo imágenes recortadas de áreas maculares. Además, el enfoque del modelo en regiones con deterioro del GCC en algunos casos indica que los modelos de aprendizaje profundo pueden identificar alteraciones morfológicamente detalladas en fotografías de fondo de ojo que pueden estar más allá del alcance del diagnóstico visual por parte de expertos. Esto destaca la contribución significativa de los modelos de aprendizaje profundo en el diagnóstico del glaucoma.