{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3408060"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3408060","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"The use of artificial intelligence in the diagnosis and management of retinal vein occlusion","abstract":"Η Απόφραξη της Φλέβας του Αμφιβληστροειδούς (RVO) είναι μια από τις συχνότερες αιτίες απώλειας όρασης στους ενήλικες παγκοσμίως, δεύτερη μετά τη διαβητική αμφιβληστροειδοπάθεια. Όμως τα αρχικά της συμπτώματα είναι συνήθως ήπια και η διάγνωσή της γίνεται όταν έχει εγκατασταθεί η τυπική κλινική εικόνα. Στο στάδιο αυτό, έχει εγκατασταθεί ήδη συνήθως απώλεια όρασης, παρά τη θεραπεία με αντιαγγειογενετικούς (anti-VEGF) παράγοντες. Έτσι, υπάρχει μια ανάγκη για πρώιμη διάγνωση των περιστατικών Απόφραξης της Φλέβας του Αμφιβληστροειδούς, πριν εμφανιστεί η τυπική της εικόνα. Η Τεχνητή Νοημοσύνη (AI), τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) και τα Υπολογιστικά Υποβοηθούμενα Διαγνωστικά Συστήματα (CAD) είναι άκρως αποτελεσματικά εργαλεία που βοηθούν τους ιατρούς να εκτιμούν εικόνες όπως έγχρωμες φωτογραφίες βυθού. Τα συστήματα Τεχνητής Νοημοσύνης, συμπεριλαμβανομένων των CNN, μπορούν να εκπαιδευτούν, με τη χρήση Βαθιάς Μάθησης (DL), ώστε όχι μόνο να εντοπίζουν αρχόμενες αλλοιώσεις του βυθού αόρατες ή εύκολα παραβλεπόμενες από το ανθρώπινο μάτι, αλλά να προβλέπουν και να εκτιμούν την αποτελεσματικότητα της προτεινόμενης από τον ιατρό θεραπείας. Σήμερα, η κύρια μέθοδος αντιμετώπισης της Απόφραξης της Φλέβας του Αμφιβληστροειδούς είναι οι αντιαγγειογενετικοί παράγοντες. Όμως, είναι μια θεραπεία μεγάλου κόστους, που χρειάζεται να επαναλαμβάνεται. Έτσι, είναι μια μεγάλη οικονομική επιβάρυνση στο σύστημα υγείας. Μέσω των μεθόδων της Τεχνητής Νοημοσύνης, θα μπορούσε να εκτιμηθεί η αποτελεσματικότητα της θεραπείας, τα μεσοδιαστήματα της θεραπείας και η ανάγκη παρέμβασης. Η ανασκόπηση αυτή στοχεύει στο να εδραιώσει τη σημερινή γνώση στα συστήματα τεχνητής νοημοσύνης για τη διάγνωση και αντιμετώπιση της Απόφραξης της Φλέβας του Αμφιβληστροειδούς και να εκτιμήσει την αποτελεσματικότητά τους και το κατά πόσο θα μπορούσαν να χρησιμοποιηθούν στη καθημερινή πρακτική αντιμετώπισης ασθενών με Απόφραξη της Φλέβας του Αμφιβληστροειδούς.","abstract_html":"Η Απόφραξη της Φλέβας του Αμφιβληστροειδούς (RVO) είναι μια από τις συχνότερες αιτίες απώλειας όρασης στους ενήλικες παγκοσμίως, δεύτερη μετά τη διαβητική αμφιβληστροειδοπάθεια. Όμως τα αρχικά της συμπτώματα είναι συνήθως ήπια και η διάγνωσή της γίνεται όταν έχει εγκατασταθεί η τυπική κλινική εικόνα. Στο στάδιο αυτό, έχει εγκατασταθεί ήδη συνήθως απώλεια όρασης, παρά τη θεραπεία με αντιαγγειογενετικούς (anti-VEGF) παράγοντες. Έτσι, υπάρχει μια ανάγκη για πρώιμη διάγνωση των περιστατικών Απόφραξης της Φλέβας του Αμφιβληστροειδούς, πριν εμφανιστεί η τυπική της εικόνα. Η Τεχνητή Νοημοσύνη (AI), τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) και τα Υπολογιστικά Υποβοηθούμενα Διαγνωστικά Συστήματα (CAD) είναι άκρως αποτελεσματικά εργαλεία που βοηθούν τους ιατρούς να εκτιμούν εικόνες όπως έγχρωμες φωτογραφίες βυθού. Τα συστήματα Τεχνητής Νοημοσύνης, συμπεριλαμβανομένων των CNN, μπορούν να εκπαιδευτούν, με τη χρήση Βαθιάς Μάθησης (DL), ώστε όχι μόνο να εντοπίζουν αρχόμενες αλλοιώσεις του βυθού αόρατες ή εύκολα παραβλεπόμενες από το ανθρώπινο μάτι, αλλά να προβλέπουν και να εκτιμούν την αποτελεσματικότητα της προτεινόμενης από τον ιατρό θεραπείας. Σήμερα, η κύρια μέθοδος αντιμετώπισης της Απόφραξης της Φλέβας του Αμφιβληστροειδούς είναι οι αντιαγγειογενετικοί παράγοντες. Όμως, είναι μια θεραπεία μεγάλου κόστους, που χρειάζεται να επαναλαμβάνεται. Έτσι, είναι μια μεγάλη οικονομική επιβάρυνση στο σύστημα υγείας. Μέσω των μεθόδων της Τεχνητής Νοημοσύνης, θα μπορούσε να εκτιμηθεί η αποτελεσματικότητα της θεραπείας, τα μεσοδιαστήματα της θεραπείας και η ανάγκη παρέμβασης. Η ανασκόπηση αυτή στοχεύει στο να εδραιώσει τη σημερινή γνώση στα συστήματα τεχνητής νοημοσύνης για τη διάγνωση και αντιμετώπιση της Απόφραξης της Φλέβας του Αμφιβληστροειδούς και να εκτιμήσει την αποτελεσματικότητά τους και το κατά πόσο θα μπορούσαν να χρησιμοποιηθούν στη καθημερινή πρακτική αντιμετώπισης ασθενών με Απόφραξη της Φλέβας του Αμφιβληστροειδούς.","abstract_has_math":false,"creators":["Μιχαλάκης Βύρων","Michalakis Vyron"],"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":"2026-11-19T06:30:00Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3408060"],"render_values":[{"text":"uoadl:3408060","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3408060","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3408060","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%3A3408060","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μιχαλάκης Βύρων","Michalakis Vyron"]}]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3408060","https://pergamos.lib.uoa.gr/uoa/dl/object/3408060"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Απόφραξη της Φλέβας του Αμφιβληστροειδούς (RVO) είναι μια από τις συχνότερες αιτίες απώλειας όρασης στους ενήλικες παγκοσμίως, δεύτερη μετά τη διαβητική αμφιβληστροειδοπάθεια. Όμως τα αρχικά της συμπτώματα είναι συνήθως ήπια και η διάγνωσή της γίνεται όταν έχει εγκατασταθεί η τυπική κλινική εικόνα. Στο στάδιο αυτό, έχει εγκατασταθεί ήδη συνήθως απώλεια όρασης, παρά τη θεραπεία με αντιαγγειογενετικούς (anti-VEGF) παράγοντες. Έτσι, υπάρχει μια ανάγκη για πρώιμη διάγνωση των περιστατικών Απόφραξης της Φλέβας του Αμφιβληστροειδούς, πριν εμφανιστεί η τυπική της εικόνα. Η Τεχνητή Νοημοσύνη (AI), τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) και τα Υπολογιστικά Υποβοηθούμενα Διαγνωστικά Συστήματα (CAD) είναι άκρως αποτελεσματικά εργαλεία που βοηθούν τους ιατρούς να εκτιμούν εικόνες όπως έγχρωμες φωτογραφίες βυθού. Τα συστήματα Τεχνητής Νοημοσύνης, συμπεριλαμβανομένων των CNN, μπορούν να εκπαιδευτούν, με τη χρήση Βαθιάς Μάθησης (DL), ώστε όχι μόνο να εντοπίζουν αρχόμενες αλλοιώσεις του βυθού αόρατες ή εύκολα παραβλεπόμενες από το ανθρώπινο μάτι, αλλά να προβλέπουν και να εκτιμούν την αποτελεσματικότητα της προτεινόμενης από τον ιατρό θεραπείας. Σήμερα, η κύρια μέθοδος αντιμετώπισης της Απόφραξης της Φλέβας του Αμφιβληστροειδούς είναι οι αντιαγγειογενετικοί παράγοντες. Όμως, είναι μια θεραπεία μεγάλου κόστους, που χρειάζεται να επαναλαμβάνεται. Έτσι, είναι μια μεγάλη οικονομική επιβάρυνση στο σύστημα υγείας. Μέσω των μεθόδων της Τεχνητής Νοημοσύνης, θα μπορούσε να εκτιμηθεί η αποτελεσματικότητα της θεραπείας, τα μεσοδιαστήματα της θεραπείας και η ανάγκη παρέμβασης. Η ανασκόπηση αυτή στοχεύει στο να εδραιώσει τη σημερινή γνώση στα συστήματα τεχνητής νοημοσύνης για τη διάγνωση και αντιμετώπιση της Απόφραξης της Φλέβας του Αμφιβληστροειδούς και να εκτιμήσει την αποτελεσματικότητά τους και το κατά πόσο θα μπορούσαν να χρησιμοποιηθούν στη καθημερινή πρακτική αντιμετώπισης ασθενών με Απόφραξη της Φλέβας του Αμφιβληστροειδούς.","Retinal Vein Occlusion (RVO) is one of the leading causes of vision loss in adults globally, second only to diabetic retinopathy. However, its initial symptoms are usually very mild, and its diagnosis is usually made when the typical fundus picture is established. At that stage, vision loss has usually already occurred, despite the anti-VEGF treatment. Thus, there is a need for early diagnosis of RVO cases before its typical appearance is present. Artificial intelligence (AI), Convolutional Neural Networks (CNNs) and Computer Aided Detection (CAD) systems are highly effective tools that assist physicians in evaluating images like color fundus photographs. AI systems, including CNN, can be trained using Deep Learning (DL) not only to detect early fundus abnormalities not visible or easily missed by the human eye, but they can also predict and evaluate the effectiveness of the treatment proposed by the physician. Nowadays, the main way of managing RVO cases is anti-VEGF treatment. However, this is a costly treatment, which needs to be repeated. As such, it is a huge economic burden to the healthcare system. Through AI methods, it could become possible to evaluate treatment efficacy, dosing intervals, and the necessity of intervention. This review aims to consolidate current knowledge on AI tools for the diagnosis and management of RVO cases and evaluate their efficacy and explore their possible use in the everyday practice of managing RVO patients."]},{"key":"dc:title","label":"Title","values":["The use of artificial intelligence in the diagnosis and management of retinal vein occlusion"]}]}],"canonical_facts":{"dc:creator":["Μιχαλάκης Βύρων","Michalakis Vyron"],"dc:date":["2024"],"dc:description":["Η Απόφραξη της Φλέβας του Αμφιβληστροειδούς (RVO) είναι μια από τις συχνότερες αιτίες απώλειας όρασης στους ενήλικες παγκοσμίως, δεύτερη μετά τη διαβητική αμφιβληστροειδοπάθεια. Όμως τα αρχικά της συμπτώματα είναι συνήθως ήπια και η διάγνωσή της γίνεται όταν έχει εγκατασταθεί η τυπική κλινική εικόνα. Στο στάδιο αυτό, έχει εγκατασταθεί ήδη συνήθως απώλεια όρασης, παρά τη θεραπεία με αντιαγγειογενετικούς (anti-VEGF) παράγοντες. Έτσι, υπάρχει μια ανάγκη για πρώιμη διάγνωση των περιστατικών Απόφραξης της Φλέβας του Αμφιβληστροειδούς, πριν εμφανιστεί η τυπική της εικόνα. Η Τεχνητή Νοημοσύνη (AI), τα Συνελικτικά Νευρωνικά Δίκτυα (CNNs) και τα Υπολογιστικά Υποβοηθούμενα Διαγνωστικά Συστήματα (CAD) είναι άκρως αποτελεσματικά εργαλεία που βοηθούν τους ιατρούς να εκτιμούν εικόνες όπως έγχρωμες φωτογραφίες βυθού. Τα συστήματα Τεχνητής Νοημοσύνης, συμπεριλαμβανομένων των CNN, μπορούν να εκπαιδευτούν, με τη χρήση Βαθιάς Μάθησης (DL), ώστε όχι μόνο να εντοπίζουν αρχόμενες αλλοιώσεις του βυθού αόρατες ή εύκολα παραβλεπόμενες από το ανθρώπινο μάτι, αλλά να προβλέπουν και να εκτιμούν την αποτελεσματικότητα της προτεινόμενης από τον ιατρό θεραπείας. Σήμερα, η κύρια μέθοδος αντιμετώπισης της Απόφραξης της Φλέβας του Αμφιβληστροειδούς είναι οι αντιαγγειογενετικοί παράγοντες. Όμως, είναι μια θεραπεία μεγάλου κόστους, που χρειάζεται να επαναλαμβάνεται. Έτσι, είναι μια μεγάλη οικονομική επιβάρυνση στο σύστημα υγείας. Μέσω των μεθόδων της Τεχνητής Νοημοσύνης, θα μπορούσε να εκτιμηθεί η αποτελεσματικότητα της θεραπείας, τα μεσοδιαστήματα της θεραπείας και η ανάγκη παρέμβασης. Η ανασκόπηση αυτή στοχεύει στο να εδραιώσει τη σημερινή γνώση στα συστήματα τεχνητής νοημοσύνης για τη διάγνωση και αντιμετώπιση της Απόφραξης της Φλέβας του Αμφιβληστροειδούς και να εκτιμήσει την αποτελεσματικότητά τους και το κατά πόσο θα μπορούσαν να χρησιμοποιηθούν στη καθημερινή πρακτική αντιμετώπισης ασθενών με Απόφραξη της Φλέβας του Αμφιβληστροειδούς.","Retinal Vein Occlusion (RVO) is one of the leading causes of vision loss in adults globally, second only to diabetic retinopathy. However, its initial symptoms are usually very mild, and its diagnosis is usually made when the typical fundus picture is established. At that stage, vision loss has usually already occurred, despite the anti-VEGF treatment. Thus, there is a need for early diagnosis of RVO cases before its typical appearance is present. Artificial intelligence (AI), Convolutional Neural Networks (CNNs) and Computer Aided Detection (CAD) systems are highly effective tools that assist physicians in evaluating images like color fundus photographs. AI systems, including CNN, can be trained using Deep Learning (DL) not only to detect early fundus abnormalities not visible or easily missed by the human eye, but they can also predict and evaluate the effectiveness of the treatment proposed by the physician. Nowadays, the main way of managing RVO cases is anti-VEGF treatment. However, this is a costly treatment, which needs to be repeated. As such, it is a huge economic burden to the healthcare system. Through AI methods, it could become possible to evaluate treatment efficacy, dosing intervals, and the necessity of intervention. This review aims to consolidate current knowledge on AI tools for the diagnosis and management of RVO cases and evaluate their efficacy and explore their possible use in the everyday practice of managing RVO patients."],"dc:identifier":["uoadl:3408060","https://pergamos.lib.uoa.gr/uoa/dl/object/3408060"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["The use of artificial intelligence in the diagnosis and management of retinal vein occlusion"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:00Z"}