El glaucoma de ángulo cerrado primario (PACG) es una causa importante de discapacidad visual, especialmente en Asia. Aunque son necesarias herramientas de detección efectivas, el estándar de oro actual es complejo y consume mucho tiempo, requiriendo una amplia experiencia. La inteligencia artificial ha introducido nuevas oportunidades para la innovación en imágenes oftálmicas. La profundidad de cámara anterior (ACD) es un factor de riesgo clave para el cierre angular y se ha sugerido como un parámetro de detección rápida para el PACG. Este estudio tiene como objetivo desarrollar un algoritmo de IA para predecir cuantitativamente ACD a partir de fotografías del segmento anterior capturadas con un microscopio portátil de lámpara de hendidura de teléfono inteligente. Recopilamos retrospectivamente 204,639 cuadros de 1586 ojos, con valores de ACD obtenidos por OCT del segmento anterior. Desarrollamos dos modelos, (Modelo 1) extracción de cuadros diagnosticables y (Modelo 2) estimación de ACD, utilizando SWSL ResNet como modelo de aprendizaje automático. El Modelo 1 logró una precisión de 0.994. El Modelo 2 logró un MAE de 0.093 +/- 0.082 mm, un MSE de 0.123 +/- 0.170 mm y una correlación de R = 0.953. Además, la estimación de nuestro modelo del riesgo de cierre angular mostró una sensibilidad de 0.943, una especificidad de 0.902 y un área bajo la curva (AUC) de 0.923 (IC del 95%: 0.878-0.968). Desarrollamos con éxito un modelo de estimación de ACD de alto rendimiento, sentando las bases para predecir otras medidas cuantitativas relevantes para la detección de PACG.