{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3422954"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3422954","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Innovative artificial intelligence approaches to uveitis in ophthalmology care","abstract":"Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να περιγράψει βασικές αρχές της Τεχνητής Νοημοσύνης, τις πιθανές κλινικές εφαρμογές της στην οφθαλμολογία και ειδικότερα σε παθήσεις του ραγοειδούς, αλλά και τις προκλήσεις και μελλοντικές προοπτικές αυτής της τεχνολογίας. Η ραγοειδίτιδα είναι μια ετερογενής ομάδα φλεγμονωδών παθήσεων του ραγοειδούς χιτώνα, που ευθύνονται για σημαντική νοσηρότητα παγκοσμίως, ειδικά στις αναπτυσσόμενες χώρες. Η ραγοειδίτιδα εμφανίζεται σε όλες τις ηλικιακές ομάδες, αλλά πολύ συχνά επηρεάζει νεαρούς ενήλικες, προκαλώντας έτσι σημαντικό κόστος και επιβάρυνση του συστήματος υγείας. Τα τελευταία χρόνια παρατηρείται η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών, τα οποία αναμένονται να συμβάλουν στην καλύτερη ταξινόμηση, διάγνωση και θεραπεία των ασθενών, ειδικά στον τομέα της οφθαλμολογίας, όπου υπάρχει μεγάλος όγκος ηλεκτρονικών αρχείων και ψηφιακών δεδομένων. Πρόσφατες μελέτες αποδεικνύουν ότι οι τεχνικές Μηχανικής και Βαθιάς Μάθησης αποτελούν ισχυρά εργαλεία στην ιατρική έρευνα, στην αναγνώριση μεγάλης γκάμας παθήσεων ραγοειδούς χιτώνα και στην ταξινόμηση κλινικών χαρακτηριστικών. Παρά την πρόσφατη πρόοδο της τεχνητής νοημοσύνης, ορισμένες προκλήσεις και διλήμματα εξακολουθούν να υπάρχουν και πρέπει να αντιμετωπιστούν σε τεχνολογικό αλλά και σε νομικό επίπεδο. Η εκπαίδευση μοντέλων τεχνητής νοημοσύνης βασίζεται σε μεγάλα σετ δεδομένων υψηλής ποιότητας για να αποφευχθούν ανακριβή αποτελέσματα. Για να γίνει η ασφαλής ένταξη των μοντέλων στην κλινική πράξη θα χρειαστούν πολυκεντρικές προοπτικές μελέτες σε διάφορους πληθυσμούς για να επικυρωθούν τα πρώτα αποτελέσματα. Επίσης, πρέπει να υπάρχει κατάλληλη εκπαίδευση για τους ιατρούς και τα αποτελέσματα των εφαρμογών τεχνητής νοημοσύνης πρέπει να είναι ερμηνεύσιμα, ώστε οι οφθαλμίατροι να μπορούν να τα κατανοούν, να τα εμπιστεύονται και να τα χρησιμοποιούν στην κλινική πράξη. Γενικότερα, ο συνδυασμός ιατρικής τεχνογνωσίας και τεχνητής νοημοσύνης έχει τη δυνατότητα να μεταμορφώσει το σύγχρονο υγειονομικό σύστημα προσφέροντας καλύτερη φροντίδα στους ασθενείς και πιο αποτελεσματική παροχή υπηρεσιών υγείας.","abstract_html":"Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να περιγράψει βασικές αρχές της Τεχνητής Νοημοσύνης, τις πιθανές κλινικές εφαρμογές της στην οφθαλμολογία και ειδικότερα σε παθήσεις του ραγοειδούς, αλλά και τις προκλήσεις και μελλοντικές προοπτικές αυτής της τεχνολογίας. Η ραγοειδίτιδα είναι μια ετερογενής ομάδα φλεγμονωδών παθήσεων του ραγοειδούς χιτώνα, που ευθύνονται για σημαντική νοσηρότητα παγκοσμίως, ειδικά στις αναπτυσσόμενες χώρες. Η ραγοειδίτιδα εμφανίζεται σε όλες τις ηλικιακές ομάδες, αλλά πολύ συχνά επηρεάζει νεαρούς ενήλικες, προκαλώντας έτσι σημαντικό κόστος και επιβάρυνση του συστήματος υγείας. Τα τελευταία χρόνια παρατηρείται η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών, τα οποία αναμένονται να συμβάλουν στην καλύτερη ταξινόμηση, διάγνωση και θεραπεία των ασθενών, ειδικά στον τομέα της οφθαλμολογίας, όπου υπάρχει μεγάλος όγκος ηλεκτρονικών αρχείων και ψηφιακών δεδομένων. Πρόσφατες μελέτες αποδεικνύουν ότι οι τεχνικές Μηχανικής και Βαθιάς Μάθησης αποτελούν ισχυρά εργαλεία στην ιατρική έρευνα, στην αναγνώριση μεγάλης γκάμας παθήσεων ραγοειδούς χιτώνα και στην ταξινόμηση κλινικών χαρακτηριστικών. Παρά την πρόσφατη πρόοδο της τεχνητής νοημοσύνης, ορισμένες προκλήσεις και διλήμματα εξακολουθούν να υπάρχουν και πρέπει να αντιμετωπιστούν σε τεχνολογικό αλλά και σε νομικό επίπεδο. Η εκπαίδευση μοντέλων τεχνητής νοημοσύνης βασίζεται σε μεγάλα σετ δεδομένων υψηλής ποιότητας για να αποφευχθούν ανακριβή αποτελέσματα. Για να γίνει η ασφαλής ένταξη των μοντέλων στην κλινική πράξη θα χρειαστούν πολυκεντρικές προοπτικές μελέτες σε διάφορους πληθυσμούς για να επικυρωθούν τα πρώτα αποτελέσματα. Επίσης, πρέπει να υπάρχει κατάλληλη εκπαίδευση για τους ιατρούς και τα αποτελέσματα των εφαρμογών τεχνητής νοημοσύνης πρέπει να είναι ερμηνεύσιμα, ώστε οι οφθαλμίατροι να μπορούν να τα κατανοούν, να τα εμπιστεύονται και να τα χρησιμοποιούν στην κλινική πράξη. Γενικότερα, ο συνδυασμός ιατρικής τεχνογνωσίας και τεχνητής νοημοσύνης έχει τη δυνατότητα να μεταμορφώσει το σύγχρονο υγειονομικό σύστημα προσφέροντας καλύτερη φροντίδα στους ασθενείς και πιο αποτελεσματική παροχή υπηρεσιών υγείας.","abstract_has_math":false,"creators":["Κιρτσέγκινα Άννα","Kirchegina Anna"],"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":"2026-11-19T06:31:03Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3422954"],"render_values":[{"text":"uoadl:3422954","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3422954","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3422954","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%3A3422954","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κιρτσέγκινα Άννα","Kirchegina Anna"]}]},{"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:3422954","https://pergamos.lib.uoa.gr/uoa/dl/object/3422954"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να περιγράψει βασικές αρχές της Τεχνητής Νοημοσύνης, τις πιθανές κλινικές εφαρμογές της στην οφθαλμολογία και ειδικότερα σε παθήσεις του ραγοειδούς, αλλά και τις προκλήσεις και μελλοντικές προοπτικές αυτής της τεχνολογίας. Η ραγοειδίτιδα είναι μια ετερογενής ομάδα φλεγμονωδών παθήσεων του ραγοειδούς χιτώνα, που ευθύνονται για σημαντική νοσηρότητα παγκοσμίως, ειδικά στις αναπτυσσόμενες χώρες. Η ραγοειδίτιδα εμφανίζεται σε όλες τις ηλικιακές ομάδες, αλλά πολύ συχνά επηρεάζει νεαρούς ενήλικες, προκαλώντας έτσι σημαντικό κόστος και επιβάρυνση του συστήματος υγείας. Τα τελευταία χρόνια παρατηρείται η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών, τα οποία αναμένονται να συμβάλουν στην καλύτερη ταξινόμηση, διάγνωση και θεραπεία των ασθενών, ειδικά στον τομέα της οφθαλμολογίας, όπου υπάρχει μεγάλος όγκος ηλεκτρονικών αρχείων και ψηφιακών δεδομένων. Πρόσφατες μελέτες αποδεικνύουν ότι οι τεχνικές Μηχανικής και Βαθιάς Μάθησης αποτελούν ισχυρά εργαλεία στην ιατρική έρευνα, στην αναγνώριση μεγάλης γκάμας παθήσεων ραγοειδούς χιτώνα και στην ταξινόμηση κλινικών χαρακτηριστικών. Παρά την πρόσφατη πρόοδο της τεχνητής νοημοσύνης, ορισμένες προκλήσεις και διλήμματα εξακολουθούν να υπάρχουν και πρέπει να αντιμετωπιστούν σε τεχνολογικό αλλά και σε νομικό επίπεδο. Η εκπαίδευση μοντέλων τεχνητής νοημοσύνης βασίζεται σε μεγάλα σετ δεδομένων υψηλής ποιότητας για να αποφευχθούν ανακριβή αποτελέσματα. Για να γίνει η ασφαλής ένταξη των μοντέλων στην κλινική πράξη θα χρειαστούν πολυκεντρικές προοπτικές μελέτες σε διάφορους πληθυσμούς για να επικυρωθούν τα πρώτα αποτελέσματα. Επίσης, πρέπει να υπάρχει κατάλληλη εκπαίδευση για τους ιατρούς και τα αποτελέσματα των εφαρμογών τεχνητής νοημοσύνης πρέπει να είναι ερμηνεύσιμα, ώστε οι οφθαλμίατροι να μπορούν να τα κατανοούν, να τα εμπιστεύονται και να τα χρησιμοποιούν στην κλινική πράξη. Γενικότερα, ο συνδυασμός ιατρικής τεχνογνωσίας και τεχνητής νοημοσύνης έχει τη δυνατότητα να μεταμορφώσει το σύγχρονο υγειονομικό σύστημα προσφέροντας καλύτερη φροντίδα στους ασθενείς και πιο αποτελεσματική παροχή υπηρεσιών υγείας.","This thesis describes the principles of artificial intelligence (AI) and its clinical implications, challenges, and future trends for uveitis. Uveitis is a heterogeneous group of inflammatory ocular diseases that account for significant visual morbidity worldwide, especially in developing countries. Uveitis occurs in all age groups but often affects young adults of working age, thus, causing high healthcare costs. The emergence and exponential growth of AI and computer technologies is expected to contribute to better classification, diagnosis, and treatment of patients especially in the field of ophthalmology, where large digital datasets are available. Recent studies prove that machine learning techniques could be effective tools for medical research, disease prediction, severity classification, patient communication, and diagnosis decision support. Despite these recent technological advances, there are still some challenges that should be addressed. AI model training relies on large diverse high-quality datasets to avoid biased inaccurate results, also, their output should be interpretable and transparent so that ophthalmologists can trust and integrate these algorithms into their daily workflow. New models should be validated by multicenter prospective studies across populations of various backgrounds and ethnicities before their safe adoption into clinical practice. Moreover, there is a need for regulatory legal framework for these applications as well as appropriate training for clinicians. Nonetheless, the combination of medical expertise and deep learning capabilities has the enormous potential to transform modern healthcare in the future, providing clinicians with powerful tools to make faster and more informed decisions, ultimately leading to better patient care, and enhancing healthcare efficiency."]},{"key":"dc:title","label":"Title","values":["Innovative artificial intelligence approaches to uveitis in ophthalmology care"]}]}],"canonical_facts":{"dc:creator":["Κιρτσέγκινα Άννα","Kirchegina Anna"],"dc:date":["2024"],"dc:description":["Ο σκοπός της παρούσας διπλωματικής εργασίας είναι να περιγράψει βασικές αρχές της Τεχνητής Νοημοσύνης, τις πιθανές κλινικές εφαρμογές της στην οφθαλμολογία και ειδικότερα σε παθήσεις του ραγοειδούς, αλλά και τις προκλήσεις και μελλοντικές προοπτικές αυτής της τεχνολογίας. Η ραγοειδίτιδα είναι μια ετερογενής ομάδα φλεγμονωδών παθήσεων του ραγοειδούς χιτώνα, που ευθύνονται για σημαντική νοσηρότητα παγκοσμίως, ειδικά στις αναπτυσσόμενες χώρες. Η ραγοειδίτιδα εμφανίζεται σε όλες τις ηλικιακές ομάδες, αλλά πολύ συχνά επηρεάζει νεαρούς ενήλικες, προκαλώντας έτσι σημαντικό κόστος και επιβάρυνση του συστήματος υγείας. Τα τελευταία χρόνια παρατηρείται η ραγδαία ανάπτυξη της τεχνητής νοημοσύνης και των ψηφιακών τεχνολογιών, τα οποία αναμένονται να συμβάλουν στην καλύτερη ταξινόμηση, διάγνωση και θεραπεία των ασθενών, ειδικά στον τομέα της οφθαλμολογίας, όπου υπάρχει μεγάλος όγκος ηλεκτρονικών αρχείων και ψηφιακών δεδομένων. Πρόσφατες μελέτες αποδεικνύουν ότι οι τεχνικές Μηχανικής και Βαθιάς Μάθησης αποτελούν ισχυρά εργαλεία στην ιατρική έρευνα, στην αναγνώριση μεγάλης γκάμας παθήσεων ραγοειδούς χιτώνα και στην ταξινόμηση κλινικών χαρακτηριστικών. Παρά την πρόσφατη πρόοδο της τεχνητής νοημοσύνης, ορισμένες προκλήσεις και διλήμματα εξακολουθούν να υπάρχουν και πρέπει να αντιμετωπιστούν σε τεχνολογικό αλλά και σε νομικό επίπεδο. Η εκπαίδευση μοντέλων τεχνητής νοημοσύνης βασίζεται σε μεγάλα σετ δεδομένων υψηλής ποιότητας για να αποφευχθούν ανακριβή αποτελέσματα. Για να γίνει η ασφαλής ένταξη των μοντέλων στην κλινική πράξη θα χρειαστούν πολυκεντρικές προοπτικές μελέτες σε διάφορους πληθυσμούς για να επικυρωθούν τα πρώτα αποτελέσματα. Επίσης, πρέπει να υπάρχει κατάλληλη εκπαίδευση για τους ιατρούς και τα αποτελέσματα των εφαρμογών τεχνητής νοημοσύνης πρέπει να είναι ερμηνεύσιμα, ώστε οι οφθαλμίατροι να μπορούν να τα κατανοούν, να τα εμπιστεύονται και να τα χρησιμοποιούν στην κλινική πράξη. Γενικότερα, ο συνδυασμός ιατρικής τεχνογνωσίας και τεχνητής νοημοσύνης έχει τη δυνατότητα να μεταμορφώσει το σύγχρονο υγειονομικό σύστημα προσφέροντας καλύτερη φροντίδα στους ασθενείς και πιο αποτελεσματική παροχή υπηρεσιών υγείας.","This thesis describes the principles of artificial intelligence (AI) and its clinical implications, challenges, and future trends for uveitis. Uveitis is a heterogeneous group of inflammatory ocular diseases that account for significant visual morbidity worldwide, especially in developing countries. Uveitis occurs in all age groups but often affects young adults of working age, thus, causing high healthcare costs. The emergence and exponential growth of AI and computer technologies is expected to contribute to better classification, diagnosis, and treatment of patients especially in the field of ophthalmology, where large digital datasets are available. Recent studies prove that machine learning techniques could be effective tools for medical research, disease prediction, severity classification, patient communication, and diagnosis decision support. Despite these recent technological advances, there are still some challenges that should be addressed. AI model training relies on large diverse high-quality datasets to avoid biased inaccurate results, also, their output should be interpretable and transparent so that ophthalmologists can trust and integrate these algorithms into their daily workflow. New models should be validated by multicenter prospective studies across populations of various backgrounds and ethnicities before their safe adoption into clinical practice. Moreover, there is a need for regulatory legal framework for these applications as well as appropriate training for clinicians. Nonetheless, the combination of medical expertise and deep learning capabilities has the enormous potential to transform modern healthcare in the future, providing clinicians with powerful tools to make faster and more informed decisions, ultimately leading to better patient care, and enhancing healthcare efficiency."],"dc:identifier":["uoadl:3422954","https://pergamos.lib.uoa.gr/uoa/dl/object/3422954"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Innovative artificial intelligence approaches to uveitis in ophthalmology care"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:31:03Z"}