{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3396058"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3396058","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εφαρμογές της τεχνητής νοημοσύνης στις τεχνικές της υποβοηθούμενης αναπαραγωγής","abstract":"Η τεχνητή νοημοσύνη (ΑΙ) είναι ένας γενικός όρος, ο οποίος περιγράφει τη μίμηση, από υπολογιστικά συστήματα, λειτουργιών του ανθρώπινου εγκεφάλου οι οποίες απαιτούν ευφυΐα. Αν και η ιδέα των έξυπνων υπολογιστών υπάρχει ήδη από τα μέσα του εικοστού αιώνα, συστηματική προσπάθεια ανάπτυξης εφαρμογών τεχνητής νοημοσύνης λαμβάνει χώρα κυρίως την τελευταία δεκαετία. Οι ευρύτερα χρησιμοποιούμενες μέθοδοι, οι οποίες αξιοποιούνται για την ανάπτυξη αυτών των υπολογιστικών μοντέλων, είναι η μηχανική μάθηση, τα τεχνητά νευρωνικά δίκτυα και η βαθιά μάθηση. Πρόσφατα, λόγω της σχεδόν πλήρους μετατροπής των ιατρικών εγγράφων και εικόνων σε ψηφιακή μορφή, έχει σημειωθεί σημαντική ανάπτυξη και αύξηση των εφαρμογών τεχνητής νοημοσύνης σχετικών με την ιατρική πράξη. Αλγόριθμοι μηχανικής μάθησης και φυσικής επεξεργασίας γλώσσας καθιστούν δυνατές, μεταξύ άλλων, τη διάγνωση ασθενειών από το ιστορικό των ασθενών, την ταχύτατη ανάλυση ιατρικών εικόνων και την αυτοματοποιημένη αξιολόγησηιστολογικών παρασκευασμάτων. Η υποβοηθούμενη αναπαραγωγή αποτελεί έναν τομέα ο οποίος έχει σημειώσει αλματώδη πρόοδο και έχει γνωρίσει σημαντικό αριθμό καινοτόμων τεχνικών και τεχνολογιών, ωστόσο τα ποσοστά επιτυχίας διεθνώς παραμένουν χαμηλά, γεγονός το οποίο εν μέρει οφείλεται στην υποκειμενικότητα της μορφολογικής αξιολόγησης γαμετών και εμβρύων. Λύση στο πρόβλημα καλείται να δώσει η ένταξη της τεχνητής νοημοσύνης στην καθημερινή πρακτική του εργαστηρίου, βελτιώνοντας την αντικειμενικότητα και την επαναληψιμότητα των αξιολογήσεων, αυξάνοντας την ταχύτητα και την αποδοτικότητα και πραγματοποιώντας πολύπλοκους συσχετισμούς και προβλέψεις τις οποίες είναι αδύνατον να εξάγει ο άνθρωπος. Σκοπός της παρούσας εργασίας είναι η ανασκόπηση της υπάρχουσας γνώσης από τη διεθνή βιβλιογραφία σχετικά με τις εφαρμογές και τα οφέλη της τεχνητής νοημοσύνης στην υποβοηθούμενη αναπαραγωγή. Οι πλέον διαδεδομένες μέθοδοι βρέθηκε πως είναι η μηχανική και βαθιά μάθηση, η υπολογιστική όραση, τα νευρωνικά δίκτυα - κυρίως συνελικτικά και βαθιά - και η μηχανή διανυσμάτων υποστήριξης. Οι δημοσιεύσεις οι οποίες συγκεντρώθηκαν έχουν ως αντικείμενο τόσο την ανάπτυξη και αξιολόγηση νέων υπολογιστικών μοντέλων, όσο και τη διερεύνηση της κλινικής αξίας προγραμμάτων και ολοκληρωμένων αυτόματων αναλυτών τεχνητής νοημοσύνης και καλύπτουν όλο το φάσμα των τεχνικών της υποβοηθούμενης αναπαραγωγής, από την αξιολόγηση και επιλογή γαμετών και εμβρύων μέχρι τον σχεδιασμό εξατομικευμένων πρωτοκόλλων διέγερσης ωοθηκών και την πρόβλεψη της έκβασης της IVF πριν την ολοκλήρωση του πρώτου κύκλου. Μελετώντας τις υπάρχουσες έρευνες, καθίσταται σαφές το γεγονός πως η τεχνητή νοημοσύνη έχει προοπτικές να αποτελέσει αναπόσπαστο τμήμα της νέας εποχής της υποβοηθούμενης αναπαραγωγής και να συμβάλει τα μέγιστα στη βελτίωση των ποσοστών επιτυχίας. Ωστόσο, τα περιθώρια βελτίωσης είναι μεγάλα και απαιτείται η διεξαγωγή μεγάλης κλίμακας μελετών, καθώς και τυχαιοποιημένων κλινικών δοκιμών (RCTs), προκειμένου να εξαχθούν ασφαλή συμπεράσματα για τη χρησιμότητα των αλγορίθμων ΑΙ στην καθημερινή πρακτική.","abstract_html":"Η τεχνητή νοημοσύνη (ΑΙ) είναι ένας γενικός όρος, ο οποίος περιγράφει τη μίμηση, από υπολογιστικά συστήματα, λειτουργιών του ανθρώπινου εγκεφάλου οι οποίες απαιτούν ευφυΐα. Αν και η ιδέα των έξυπνων υπολογιστών υπάρχει ήδη από τα μέσα του εικοστού αιώνα, συστηματική προσπάθεια ανάπτυξης εφαρμογών τεχνητής νοημοσύνης λαμβάνει χώρα κυρίως την τελευταία δεκαετία. Οι ευρύτερα χρησιμοποιούμενες μέθοδοι, οι οποίες αξιοποιούνται για την ανάπτυξη αυτών των υπολογιστικών μοντέλων, είναι η μηχανική μάθηση, τα τεχνητά νευρωνικά δίκτυα και η βαθιά μάθηση. Πρόσφατα, λόγω της σχεδόν πλήρους μετατροπής των ιατρικών εγγράφων και εικόνων σε ψηφιακή μορφή, έχει σημειωθεί σημαντική ανάπτυξη και αύξηση των εφαρμογών τεχνητής νοημοσύνης σχετικών με την ιατρική πράξη. Αλγόριθμοι μηχανικής μάθησης και φυσικής επεξεργασίας γλώσσας καθιστούν δυνατές, μεταξύ άλλων, τη διάγνωση ασθενειών από το ιστορικό των ασθενών, την ταχύτατη ανάλυση ιατρικών εικόνων και την αυτοματοποιημένη αξιολόγησηιστολογικών παρασκευασμάτων. Η υποβοηθούμενη αναπαραγωγή αποτελεί έναν τομέα ο οποίος έχει σημειώσει αλματώδη πρόοδο και έχει γνωρίσει σημαντικό αριθμό καινοτόμων τεχνικών και τεχνολογιών, ωστόσο τα ποσοστά επιτυχίας διεθνώς παραμένουν χαμηλά, γεγονός το οποίο εν μέρει οφείλεται στην υποκειμενικότητα της μορφολογικής αξιολόγησης γαμετών και εμβρύων. Λύση στο πρόβλημα καλείται να δώσει η ένταξη της τεχνητής νοημοσύνης στην καθημερινή πρακτική του εργαστηρίου, βελτιώνοντας την αντικειμενικότητα και την επαναληψιμότητα των αξιολογήσεων, αυξάνοντας την ταχύτητα και την αποδοτικότητα και πραγματοποιώντας πολύπλοκους συσχετισμούς και προβλέψεις τις οποίες είναι αδύνατον να εξάγει ο άνθρωπος. Σκοπός της παρούσας εργασίας είναι η ανασκόπηση της υπάρχουσας γνώσης από τη διεθνή βιβλιογραφία σχετικά με τις εφαρμογές και τα οφέλη της τεχνητής νοημοσύνης στην υποβοηθούμενη αναπαραγωγή. Οι πλέον διαδεδομένες μέθοδοι βρέθηκε πως είναι η μηχανική και βαθιά μάθηση, η υπολογιστική όραση, τα νευρωνικά δίκτυα - κυρίως συνελικτικά και βαθιά - και η μηχανή διανυσμάτων υποστήριξης. Οι δημοσιεύσεις οι οποίες συγκεντρώθηκαν έχουν ως αντικείμενο τόσο την ανάπτυξη και αξιολόγηση νέων υπολογιστικών μοντέλων, όσο και τη διερεύνηση της κλινικής αξίας προγραμμάτων και ολοκληρωμένων αυτόματων αναλυτών τεχνητής νοημοσύνης και καλύπτουν όλο το φάσμα των τεχνικών της υποβοηθούμενης αναπαραγωγής, από την αξιολόγηση και επιλογή γαμετών και εμβρύων μέχρι τον σχεδιασμό εξατομικευμένων πρωτοκόλλων διέγερσης ωοθηκών και την πρόβλεψη της έκβασης της IVF πριν την ολοκλήρωση του πρώτου κύκλου. Μελετώντας τις υπάρχουσες έρευνες, καθίσταται σαφές το γεγονός πως η τεχνητή νοημοσύνη έχει προοπτικές να αποτελέσει αναπόσπαστο τμήμα της νέας εποχής της υποβοηθούμενης αναπαραγωγής και να συμβάλει τα μέγιστα στη βελτίωση των ποσοστών επιτυχίας. Ωστόσο, τα περιθώρια βελτίωσης είναι μεγάλα και απαιτείται η διεξαγωγή μεγάλης κλίμακας μελετών, καθώς και τυχαιοποιημένων κλινικών δοκιμών (RCTs), προκειμένου να εξαχθούν ασφαλή συμπεράσματα για τη χρησιμότητα των αλγορίθμων ΑΙ στην καθημερινή πρακτική.","abstract_has_math":false,"creators":["Σπηλιώτης Δημήτριος-Εμμανουήλ","Spiliotis Dimitrios-Emmanouil"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:01Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3396058"],"render_values":[{"text":"uoadl:3396058","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3396058","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3396058","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%3A3396058","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Σπηλιώτης Δημήτριος-Εμμανουήλ","Spiliotis Dimitrios-Emmanouil"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3396058","https://pergamos.lib.uoa.gr/uoa/dl/object/3396058"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η τεχνητή νοημοσύνη (ΑΙ) είναι ένας γενικός όρος, ο οποίος περιγράφει τη μίμηση, από υπολογιστικά συστήματα, λειτουργιών του ανθρώπινου εγκεφάλου οι οποίες απαιτούν ευφυΐα. Αν και η ιδέα των έξυπνων υπολογιστών υπάρχει ήδη από τα μέσα του εικοστού αιώνα, συστηματική προσπάθεια ανάπτυξης εφαρμογών τεχνητής νοημοσύνης λαμβάνει χώρα κυρίως την τελευταία δεκαετία. Οι ευρύτερα χρησιμοποιούμενες μέθοδοι, οι οποίες αξιοποιούνται για την ανάπτυξη αυτών των υπολογιστικών μοντέλων, είναι η μηχανική μάθηση, τα τεχνητά νευρωνικά δίκτυα και η βαθιά μάθηση. Πρόσφατα, λόγω της σχεδόν πλήρους μετατροπής των ιατρικών εγγράφων και εικόνων σε ψηφιακή μορφή, έχει σημειωθεί σημαντική ανάπτυξη και αύξηση των εφαρμογών τεχνητής νοημοσύνης σχετικών με την ιατρική πράξη. Αλγόριθμοι μηχανικής μάθησης και φυσικής επεξεργασίας γλώσσας καθιστούν δυνατές, μεταξύ άλλων, τη διάγνωση ασθενειών από το ιστορικό των ασθενών, την ταχύτατη ανάλυση ιατρικών εικόνων και την αυτοματοποιημένη αξιολόγησηιστολογικών παρασκευασμάτων. Η υποβοηθούμενη αναπαραγωγή αποτελεί έναν τομέα ο οποίος έχει σημειώσει αλματώδη πρόοδο και έχει γνωρίσει σημαντικό αριθμό καινοτόμων τεχνικών και τεχνολογιών, ωστόσο τα ποσοστά επιτυχίας διεθνώς παραμένουν χαμηλά, γεγονός το οποίο εν μέρει οφείλεται στην υποκειμενικότητα της μορφολογικής αξιολόγησης γαμετών και εμβρύων. Λύση στο πρόβλημα καλείται να δώσει η ένταξη της τεχνητής νοημοσύνης στην καθημερινή πρακτική του εργαστηρίου, βελτιώνοντας την αντικειμενικότητα και την επαναληψιμότητα των αξιολογήσεων, αυξάνοντας την ταχύτητα και την αποδοτικότητα και πραγματοποιώντας πολύπλοκους συσχετισμούς και προβλέψεις τις οποίες είναι αδύνατον να εξάγει ο άνθρωπος. Σκοπός της παρούσας εργασίας είναι η ανασκόπηση της υπάρχουσας γνώσης από τη διεθνή βιβλιογραφία σχετικά με τις εφαρμογές και τα οφέλη της τεχνητής νοημοσύνης στην υποβοηθούμενη αναπαραγωγή. Οι πλέον διαδεδομένες μέθοδοι βρέθηκε πως είναι η μηχανική και βαθιά μάθηση, η υπολογιστική όραση, τα νευρωνικά δίκτυα - κυρίως συνελικτικά και βαθιά - και η μηχανή διανυσμάτων υποστήριξης. Οι δημοσιεύσεις οι οποίες συγκεντρώθηκαν έχουν ως αντικείμενο τόσο την ανάπτυξη και αξιολόγηση νέων υπολογιστικών μοντέλων, όσο και τη διερεύνηση της κλινικής αξίας προγραμμάτων και ολοκληρωμένων αυτόματων αναλυτών τεχνητής νοημοσύνης και καλύπτουν όλο το φάσμα των τεχνικών της υποβοηθούμενης αναπαραγωγής, από την αξιολόγηση και επιλογή γαμετών και εμβρύων μέχρι τον σχεδιασμό εξατομικευμένων πρωτοκόλλων διέγερσης ωοθηκών και την πρόβλεψη της έκβασης της IVF πριν την ολοκλήρωση του πρώτου κύκλου. Μελετώντας τις υπάρχουσες έρευνες, καθίσταται σαφές το γεγονός πως η τεχνητή νοημοσύνη έχει προοπτικές να αποτελέσει αναπόσπαστο τμήμα της νέας εποχής της υποβοηθούμενης αναπαραγωγής και να συμβάλει τα μέγιστα στη βελτίωση των ποσοστών επιτυχίας. Ωστόσο, τα περιθώρια βελτίωσης είναι μεγάλα και απαιτείται η διεξαγωγή μεγάλης κλίμακας μελετών, καθώς και τυχαιοποιημένων κλινικών δοκιμών (RCTs), προκειμένου να εξαχθούν ασφαλή συμπεράσματα για τη χρησιμότητα των αλγορίθμων ΑΙ στην καθημερινή πρακτική.","Artificial Intelligence (AI) is a broad term describing computational systems that are able to function in a manner similar to that of the human brain and to perform tasks requiring intelligence. Although the idea of intelligent computing dates back to the middle of the twentieth century, it was only during the last decade that effort was being put forth regarding the development of computational models based on artificial intelligence. The most common methods being utilised for developing such software are machine learning, deep learning and artificial neural networks. The digitization of medical records and images has led to a major growth in the development of artificial intelligence software to be used in various fields of medicine. Through machine learning and natural language processing, physicians have the ability to diagnose diseases like chronic kidney disease (CKD) by analyzing the patient’s record and to perform fully automated analyses of medical images, like MRIs and PET-CTs, as well as scanned histological slides. Since the birth of the first child to be born as a result of in-vitro fertilization, the field of assisted reproduction has made astonishing progress and has seen many innovative techniques and technological advancements. Nonetheless, the success rates of ART remain low at an international level. The subjectivity of gamete and blastocyst selection by embryologists based on morphological parameters is among the factors accountable for this problem. A solution could be provided through the integration of AI into the daily practice of IVF laboratories, improving the objectivity and reproducibility of the assessments carried out, increasing efficiency and productivity and making complex correlations and predictions impossible for the human mind to perform. The main purpose of this thesis is to review existing knowledge about the applications and benefits of artificial intelligence in assisted reproduction, derived from international literature. Machine learning, deep learning, artificial neural networks, support vector and computer vision were found to be the most commonly used methods. The papers described in the thesis mainly focus on developing and validating novel computational models, as well as evaluating the clinical importance of AI software and fully automated analyzers, covering the whole spectrum of ART techniques, including assessment and selection of gametes and embryos, design of personalized ovarian stimulation protocols and prediction of IVF success probability even before the completion of the first cycle. Studying currently published research, it becomes evident that AI shows immense potential and holds promises to become an integral part of the new era of assisted reproduction and contribute to the improvement of IVF success rates. The proposed algorithms, however, have great room for improvement and optimization and the lack of randomized clinical trials (RCTs) does not allow for any solid conclusions to be drawn."]},{"key":"dc:title","label":"Title","values":["Εφαρμογές της τεχνητής νοημοσύνης στις τεχνικές της υποβοηθούμενης αναπαραγωγής"]}]}],"canonical_facts":{"dc:creator":["Σπηλιώτης Δημήτριος-Εμμανουήλ","Spiliotis Dimitrios-Emmanouil"],"dc:date":["2024"],"dc:description":["Η τεχνητή νοημοσύνη (ΑΙ) είναι ένας γενικός όρος, ο οποίος περιγράφει τη μίμηση, από υπολογιστικά συστήματα, λειτουργιών του ανθρώπινου εγκεφάλου οι οποίες απαιτούν ευφυΐα. Αν και η ιδέα των έξυπνων υπολογιστών υπάρχει ήδη από τα μέσα του εικοστού αιώνα, συστηματική προσπάθεια ανάπτυξης εφαρμογών τεχνητής νοημοσύνης λαμβάνει χώρα κυρίως την τελευταία δεκαετία. Οι ευρύτερα χρησιμοποιούμενες μέθοδοι, οι οποίες αξιοποιούνται για την ανάπτυξη αυτών των υπολογιστικών μοντέλων, είναι η μηχανική μάθηση, τα τεχνητά νευρωνικά δίκτυα και η βαθιά μάθηση. Πρόσφατα, λόγω της σχεδόν πλήρους μετατροπής των ιατρικών εγγράφων και εικόνων σε ψηφιακή μορφή, έχει σημειωθεί σημαντική ανάπτυξη και αύξηση των εφαρμογών τεχνητής νοημοσύνης σχετικών με την ιατρική πράξη. Αλγόριθμοι μηχανικής μάθησης και φυσικής επεξεργασίας γλώσσας καθιστούν δυνατές, μεταξύ άλλων, τη διάγνωση ασθενειών από το ιστορικό των ασθενών, την ταχύτατη ανάλυση ιατρικών εικόνων και την αυτοματοποιημένη αξιολόγησηιστολογικών παρασκευασμάτων. Η υποβοηθούμενη αναπαραγωγή αποτελεί έναν τομέα ο οποίος έχει σημειώσει αλματώδη πρόοδο και έχει γνωρίσει σημαντικό αριθμό καινοτόμων τεχνικών και τεχνολογιών, ωστόσο τα ποσοστά επιτυχίας διεθνώς παραμένουν χαμηλά, γεγονός το οποίο εν μέρει οφείλεται στην υποκειμενικότητα της μορφολογικής αξιολόγησης γαμετών και εμβρύων. Λύση στο πρόβλημα καλείται να δώσει η ένταξη της τεχνητής νοημοσύνης στην καθημερινή πρακτική του εργαστηρίου, βελτιώνοντας την αντικειμενικότητα και την επαναληψιμότητα των αξιολογήσεων, αυξάνοντας την ταχύτητα και την αποδοτικότητα και πραγματοποιώντας πολύπλοκους συσχετισμούς και προβλέψεις τις οποίες είναι αδύνατον να εξάγει ο άνθρωπος. Σκοπός της παρούσας εργασίας είναι η ανασκόπηση της υπάρχουσας γνώσης από τη διεθνή βιβλιογραφία σχετικά με τις εφαρμογές και τα οφέλη της τεχνητής νοημοσύνης στην υποβοηθούμενη αναπαραγωγή. Οι πλέον διαδεδομένες μέθοδοι βρέθηκε πως είναι η μηχανική και βαθιά μάθηση, η υπολογιστική όραση, τα νευρωνικά δίκτυα - κυρίως συνελικτικά και βαθιά - και η μηχανή διανυσμάτων υποστήριξης. Οι δημοσιεύσεις οι οποίες συγκεντρώθηκαν έχουν ως αντικείμενο τόσο την ανάπτυξη και αξιολόγηση νέων υπολογιστικών μοντέλων, όσο και τη διερεύνηση της κλινικής αξίας προγραμμάτων και ολοκληρωμένων αυτόματων αναλυτών τεχνητής νοημοσύνης και καλύπτουν όλο το φάσμα των τεχνικών της υποβοηθούμενης αναπαραγωγής, από την αξιολόγηση και επιλογή γαμετών και εμβρύων μέχρι τον σχεδιασμό εξατομικευμένων πρωτοκόλλων διέγερσης ωοθηκών και την πρόβλεψη της έκβασης της IVF πριν την ολοκλήρωση του πρώτου κύκλου. Μελετώντας τις υπάρχουσες έρευνες, καθίσταται σαφές το γεγονός πως η τεχνητή νοημοσύνη έχει προοπτικές να αποτελέσει αναπόσπαστο τμήμα της νέας εποχής της υποβοηθούμενης αναπαραγωγής και να συμβάλει τα μέγιστα στη βελτίωση των ποσοστών επιτυχίας. Ωστόσο, τα περιθώρια βελτίωσης είναι μεγάλα και απαιτείται η διεξαγωγή μεγάλης κλίμακας μελετών, καθώς και τυχαιοποιημένων κλινικών δοκιμών (RCTs), προκειμένου να εξαχθούν ασφαλή συμπεράσματα για τη χρησιμότητα των αλγορίθμων ΑΙ στην καθημερινή πρακτική.","Artificial Intelligence (AI) is a broad term describing computational systems that are able to function in a manner similar to that of the human brain and to perform tasks requiring intelligence. Although the idea of intelligent computing dates back to the middle of the twentieth century, it was only during the last decade that effort was being put forth regarding the development of computational models based on artificial intelligence. The most common methods being utilised for developing such software are machine learning, deep learning and artificial neural networks. The digitization of medical records and images has led to a major growth in the development of artificial intelligence software to be used in various fields of medicine. Through machine learning and natural language processing, physicians have the ability to diagnose diseases like chronic kidney disease (CKD) by analyzing the patient’s record and to perform fully automated analyses of medical images, like MRIs and PET-CTs, as well as scanned histological slides. Since the birth of the first child to be born as a result of in-vitro fertilization, the field of assisted reproduction has made astonishing progress and has seen many innovative techniques and technological advancements. Nonetheless, the success rates of ART remain low at an international level. The subjectivity of gamete and blastocyst selection by embryologists based on morphological parameters is among the factors accountable for this problem. A solution could be provided through the integration of AI into the daily practice of IVF laboratories, improving the objectivity and reproducibility of the assessments carried out, increasing efficiency and productivity and making complex correlations and predictions impossible for the human mind to perform. The main purpose of this thesis is to review existing knowledge about the applications and benefits of artificial intelligence in assisted reproduction, derived from international literature. Machine learning, deep learning, artificial neural networks, support vector and computer vision were found to be the most commonly used methods. The papers described in the thesis mainly focus on developing and validating novel computational models, as well as evaluating the clinical importance of AI software and fully automated analyzers, covering the whole spectrum of ART techniques, including assessment and selection of gametes and embryos, design of personalized ovarian stimulation protocols and prediction of IVF success probability even before the completion of the first cycle. Studying currently published research, it becomes evident that AI shows immense potential and holds promises to become an integral part of the new era of assisted reproduction and contribute to the improvement of IVF success rates. The proposed algorithms, however, have great room for improvement and optimization and the lack of randomized clinical trials (RCTs) does not allow for any solid conclusions to be drawn."],"dc:identifier":["uoadl:3396058","https://pergamos.lib.uoa.gr/uoa/dl/object/3396058"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Εφαρμογές της τεχνητής νοημοσύνης στις τεχνικές της υποβοηθούμενης αναπαραγωγής"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:01Z"}