{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3331459"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3331459","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Μειονεκτήματα τεχνητής νοημοσύνης στη διάγνωση καρκίνου δέρματος","abstract":"Η Τεχνητή Νοημοσύνη (AI) που βασίζεται στη Μηχανική Μάθηση (ML) και τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) αποτελεί μια υποσχόμενη προοπτική στον τομέα της Δερματολογίας. Ο μη μελανοκυτταρικός καρκίνος του δέρματος είναι ο πιο συχνός καρκίνος παγκοσμίως και το μελάνωμα μία από τις πιο θανατηφόρες μορφές καρκίνου. Η δερματοσκόπηση, έχει βελτιώσει τη δια-γνωστική ακρίβεια των ιατρών στην αναγνώριση του καρκίνου του δέρματος, αλλά δυστυχώς παραμένει συγκριτικά χαμηλή. Η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει ανεκτίμητη βοήθεια στην έγκαιρη αξιολόγηση και διάγνωση του καρκίνου του δέρματος. Την τελευταία δεκαετία σημειώθηκε μια σημαντική ροή νέων ερευνών και δημοσιεύσεων στον τομέα της τεχνητής νοημοσύνης στη δερματολογία. Μελέτες έχουν δείξει ότι οι αλγόριθμοι CNN μπορούν να ταξινομήσουν δερματικές βλάβες από δερματοσκοπικές εικόνες με ανώτερη ή τουλάχιστον ισοδύναμη απόδοση σε σύγκριση με τους κλινικούς ιατρούς. Παρόλο που οι αλγόριθμοι τεχνητής νοημοσύνης έχουν δείξει πολλά υποσχόμενα αποτελέσματα στη διάγνωση του καρκίνου του δέρματος σε μελέτες, η γενίκευσή τους και η δυνατότητα εφαρμογής τους στην καθημερινή κλινική πρακτική παραμένει αδιευκρίνιστη. Η διπλωματική αυτή εργασία, έχει σαν στόχο να συνοψίσει τις πιθανές παγίδες και τις προκλήσεις της τεχνητής νοημοσύνης που υπογραμμίστηκαν σε προηγούμενες μελέτες και να επισημάνει στρατηγικές για την υπέρβαση των περιορισμών αυτών για μελλοντική έρευνα. Τέλος, αναθέτονται τα πλεονεκτήματα και οι ευκαιρίες που μπορούν να προκύψουν με τη χρήση της στην κλινική πράξη, για ένα καλύτερο μέλλον για τη δερματολογία και τους ασθενείς της.","abstract_html":"Η Τεχνητή Νοημοσύνη (AI) που βασίζεται στη Μηχανική Μάθηση (ML) και τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) αποτελεί μια υποσχόμενη προοπτική στον τομέα της Δερματολογίας. Ο μη μελανοκυτταρικός καρκίνος του δέρματος είναι ο πιο συχνός καρκίνος παγκοσμίως και το μελάνωμα μία από τις πιο θανατηφόρες μορφές καρκίνου. Η δερματοσκόπηση, έχει βελτιώσει τη δια-γνωστική ακρίβεια των ιατρών στην αναγνώριση του καρκίνου του δέρματος, αλλά δυστυχώς παραμένει συγκριτικά χαμηλή. Η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει ανεκτίμητη βοήθεια στην έγκαιρη αξιολόγηση και διάγνωση του καρκίνου του δέρματος. Την τελευταία δεκαετία σημειώθηκε μια σημαντική ροή νέων ερευνών και δημοσιεύσεων στον τομέα της τεχνητής νοημοσύνης στη δερματολογία. Μελέτες έχουν δείξει ότι οι αλγόριθμοι CNN μπορούν να ταξινομήσουν δερματικές βλάβες από δερματοσκοπικές εικόνες με ανώτερη ή τουλάχιστον ισοδύναμη απόδοση σε σύγκριση με τους κλινικούς ιατρούς. Παρόλο που οι αλγόριθμοι τεχνητής νοημοσύνης έχουν δείξει πολλά υποσχόμενα αποτελέσματα στη διάγνωση του καρκίνου του δέρματος σε μελέτες, η γενίκευσή τους και η δυνατότητα εφαρμογής τους στην καθημερινή κλινική πρακτική παραμένει αδιευκρίνιστη. Η διπλωματική αυτή εργασία, έχει σαν στόχο να συνοψίσει τις πιθανές παγίδες και τις προκλήσεις της τεχνητής νοημοσύνης που υπογραμμίστηκαν σε προηγούμενες μελέτες και να επισημάνει στρατηγικές για την υπέρβαση των περιορισμών αυτών για μελλοντική έρευνα. Τέλος, αναθέτονται τα πλεονεκτήματα και οι ευκαιρίες που μπορούν να προκύψουν με τη χρήση της στην κλινική πράξη, για ένα καλύτερο μέλλον για τη δερματολογία και τους ασθενείς της.","abstract_has_math":false,"creators":["Δίας Ιουλία","Dias Julia"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:22:22Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331459"],"render_values":[{"text":"uoadl:3331459","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331459","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3331459","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3331459","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Δίας Ιουλία","Dias Julia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3331459","https://pergamos.lib.uoa.gr/uoa/dl/object/3331459"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Τεχνητή Νοημοσύνη (AI) που βασίζεται στη Μηχανική Μάθηση (ML) και τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) αποτελεί μια υποσχόμενη προοπτική στον τομέα της Δερματολογίας. Ο μη μελανοκυτταρικός καρκίνος του δέρματος είναι ο πιο συχνός καρκίνος παγκοσμίως και το μελάνωμα μία από τις πιο θανατηφόρες μορφές καρκίνου. Η δερματοσκόπηση, έχει βελτιώσει τη δια-γνωστική ακρίβεια των ιατρών στην αναγνώριση του καρκίνου του δέρματος, αλλά δυστυχώς παραμένει συγκριτικά χαμηλή. Η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει ανεκτίμητη βοήθεια στην έγκαιρη αξιολόγηση και διάγνωση του καρκίνου του δέρματος. Την τελευταία δεκαετία σημειώθηκε μια σημαντική ροή νέων ερευνών και δημοσιεύσεων στον τομέα της τεχνητής νοημοσύνης στη δερματολογία. Μελέτες έχουν δείξει ότι οι αλγόριθμοι CNN μπορούν να ταξινομήσουν δερματικές βλάβες από δερματοσκοπικές εικόνες με ανώτερη ή τουλάχιστον ισοδύναμη απόδοση σε σύγκριση με τους κλινικούς ιατρούς. Παρόλο που οι αλγόριθμοι τεχνητής νοημοσύνης έχουν δείξει πολλά υποσχόμενα αποτελέσματα στη διάγνωση του καρκίνου του δέρματος σε μελέτες, η γενίκευσή τους και η δυνατότητα εφαρμογής τους στην καθημερινή κλινική πρακτική παραμένει αδιευκρίνιστη. Η διπλωματική αυτή εργασία, έχει σαν στόχο να συνοψίσει τις πιθανές παγίδες και τις προκλήσεις της τεχνητής νοημοσύνης που υπογραμμίστηκαν σε προηγούμενες μελέτες και να επισημάνει στρατηγικές για την υπέρβαση των περιορισμών αυτών για μελλοντική έρευνα. Τέλος, αναθέτονται τα πλεονεκτήματα και οι ευκαιρίες που μπορούν να προκύψουν με τη χρήση της στην κλινική πράξη, για ένα καλύτερο μέλλον για τη δερματολογία και τους ασθενείς της.","Artificial intelligence (AI) based on machine learning and convolutional neuron networks (CNN) is rapidly becoming a realistic prospect in dermatology. Non-melanoma skin cancer is the most common cancer worldwide and melanoma is one of the deadliest forms of cancer. Dermoscopy has improved physicians’ diagnostic accuracy for skin cancer recognition but unfortunately it remains comparatively low. AI could provide invaluable aid in the early evaluation and diagnosis of skin cancer. In the last decade, there has been a breakthrough in new research and publications in the field of AI. Studies have shown that CNN algorithms can classify skin lesions from dermoscopic images with superior or at least equivalent performance compared to clinicians. Even though AI algorithms have shown very promising results for the diagnosis of skin cancer in reader studies, their generalizability and applicability in everyday clinical practice remain elusive. This project aims to summarize the potential pitfalls and challenges of AI that were underlined in reader studies and pinpoint strategies to overcome limitations in future studies. Finally, it analyzes the advantages and opportunities that lay ahead for a better future for dermatology and patients, with the potential use of AI in our practices."]},{"key":"dc:title","label":"Title","values":["Μειονεκτήματα τεχνητής νοημοσύνης στη διάγνωση καρκίνου δέρματος"]}]}],"canonical_facts":{"dc:creator":["Δίας Ιουλία","Dias Julia"],"dc:date":["2023"],"dc:description":["Η Τεχνητή Νοημοσύνη (AI) που βασίζεται στη Μηχανική Μάθηση (ML) και τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) αποτελεί μια υποσχόμενη προοπτική στον τομέα της Δερματολογίας. Ο μη μελανοκυτταρικός καρκίνος του δέρματος είναι ο πιο συχνός καρκίνος παγκοσμίως και το μελάνωμα μία από τις πιο θανατηφόρες μορφές καρκίνου. Η δερματοσκόπηση, έχει βελτιώσει τη δια-γνωστική ακρίβεια των ιατρών στην αναγνώριση του καρκίνου του δέρματος, αλλά δυστυχώς παραμένει συγκριτικά χαμηλή. Η τεχνητή νοημοσύνη θα μπορούσε να προσφέρει ανεκτίμητη βοήθεια στην έγκαιρη αξιολόγηση και διάγνωση του καρκίνου του δέρματος. Την τελευταία δεκαετία σημειώθηκε μια σημαντική ροή νέων ερευνών και δημοσιεύσεων στον τομέα της τεχνητής νοημοσύνης στη δερματολογία. Μελέτες έχουν δείξει ότι οι αλγόριθμοι CNN μπορούν να ταξινομήσουν δερματικές βλάβες από δερματοσκοπικές εικόνες με ανώτερη ή τουλάχιστον ισοδύναμη απόδοση σε σύγκριση με τους κλινικούς ιατρούς. Παρόλο που οι αλγόριθμοι τεχνητής νοημοσύνης έχουν δείξει πολλά υποσχόμενα αποτελέσματα στη διάγνωση του καρκίνου του δέρματος σε μελέτες, η γενίκευσή τους και η δυνατότητα εφαρμογής τους στην καθημερινή κλινική πρακτική παραμένει αδιευκρίνιστη. Η διπλωματική αυτή εργασία, έχει σαν στόχο να συνοψίσει τις πιθανές παγίδες και τις προκλήσεις της τεχνητής νοημοσύνης που υπογραμμίστηκαν σε προηγούμενες μελέτες και να επισημάνει στρατηγικές για την υπέρβαση των περιορισμών αυτών για μελλοντική έρευνα. Τέλος, αναθέτονται τα πλεονεκτήματα και οι ευκαιρίες που μπορούν να προκύψουν με τη χρήση της στην κλινική πράξη, για ένα καλύτερο μέλλον για τη δερματολογία και τους ασθενείς της.","Artificial intelligence (AI) based on machine learning and convolutional neuron networks (CNN) is rapidly becoming a realistic prospect in dermatology. Non-melanoma skin cancer is the most common cancer worldwide and melanoma is one of the deadliest forms of cancer. Dermoscopy has improved physicians’ diagnostic accuracy for skin cancer recognition but unfortunately it remains comparatively low. AI could provide invaluable aid in the early evaluation and diagnosis of skin cancer. In the last decade, there has been a breakthrough in new research and publications in the field of AI. Studies have shown that CNN algorithms can classify skin lesions from dermoscopic images with superior or at least equivalent performance compared to clinicians. Even though AI algorithms have shown very promising results for the diagnosis of skin cancer in reader studies, their generalizability and applicability in everyday clinical practice remain elusive. This project aims to summarize the potential pitfalls and challenges of AI that were underlined in reader studies and pinpoint strategies to overcome limitations in future studies. Finally, it analyzes the advantages and opportunities that lay ahead for a better future for dermatology and patients, with the potential use of AI in our practices."],"dc:identifier":["uoadl:3331459","https://pergamos.lib.uoa.gr/uoa/dl/object/3331459"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Μειονεκτήματα τεχνητής νοημοσύνης στη διάγνωση καρκίνου δέρματος"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:22:22Z"}