{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5295511"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5295511","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Artificial intelligence approaches to geographic atrophy segmentation","abstract":"Η Γεωγραφική Ατροφία (ΓΑ) είναι μια προοδευτική νόσος του αμφιβληστροειδούς που σχετίζεται με το τελικό στάδιο της Ηλικιακής Εκφύλισης της Ωχράς Κηλίδας (ΗΕΩ), που αποτελεί μια σημαντική αιτία οπτικής αναπηρίας στους ηλικιωμένους. Η χαρτογράφηση των αλλοιώσεων της ΓΑ είναι χρήσιμη για την παρακολούθηση της πορείας της νόσου τόσο σε κλινικές δοκιμές, όσο και στην καθημερινή ιατρική πράξη. Ωστόσο, η χειροκίνητη χαρτογράφηση των βλαβών είναι χρονοβόρα, εργώδης, και επιρρεπής σε ασυμφωνία των αποτελεσμάτων μεταξύ των βαθμολογητών. Η χρήση της Τεχνητής Νοημοσύνης (ΤΝ) εξαπλώνεται ραγδαία στο ιατρικό πεδίο και θα μπορούσε εν δυνάμει να βελτιώσει την ακρίβεια, μειώνοντας τον φόρτο εργασίας, μέσω της αυτοματοποιημένης χαρτογράφησης των αλλοιώσεων. Η παρούσα συστηματική ανασκόπηση εξετάζει την απόδοση των αλγορίθμων ΤΝ στην χαρτογράφηση των ιατρικών εικόνων με ΓΑ και αναδεικνύει τους βασικούς περιορισμούς τους, όπως προκύπτουν από την υπάρχουσα βιβλιογραφία. Έγινε ενδελεχής έλεγχος σε πέντε βάσεις δεδομένων και δύο μητρώα, από την έναρξη καταγραφής τους έως τις 23 Μαρτίου 2024, ακολουθώντας τη μεθοδολογία PRISMA. Είκοσι τέσσερις μελέτες πληρούσαν τα προκαθορισμένα κριτήρια επιλεξιμότητας και δεκαπέντε συμπεριλήφθηκαν στην μετα-ανάλυση. Ο συνολικός συντελεστής ομοιότητας Dice (DSC) ήταν 0.91 (95% CI 0.88–0.95), υποδηλώνοντας υψηλή συμφωνία μεταξύ των αποτελεσμάτων αναφοράς και των προβλέψεων των μοντέλων. Η αποτίμηση της ποιότητας και περιγραφικότητας των μελετών έγινε με τη χρήση των εργαλείων QUADAS-2 και CLAIM. Η ανασκόπηση αυτή παρέχει μια διεξοδική αξιολόγηση των εφαρμογών της ΤΝ στην χαρτογράφηση της ΓΑ και εντοπίζει τα πεδία που χρήζουν βελτίωσης. Τα ευρήματα υποστηρίζουν τις δυνατότητες της ΤΝ για την ενίσχυση της κλινικής πράξης και υποδεικνύουν τις οδούς για την ανάπτυξη βελτιωμένων μελλοντικών μοντέλων που θα μπορούσαν να γεφυρώσουν την απόσταση μεταξύ ερευνητικού πεδίου και κλινικής πραγματικότητας.","abstract_html":"Η Γεωγραφική Ατροφία (ΓΑ) είναι μια προοδευτική νόσος του αμφιβληστροειδούς που σχετίζεται με το τελικό στάδιο της Ηλικιακής Εκφύλισης της Ωχράς Κηλίδας (ΗΕΩ), που αποτελεί μια σημαντική αιτία οπτικής αναπηρίας στους ηλικιωμένους. Η χαρτογράφηση των αλλοιώσεων της ΓΑ είναι χρήσιμη για την παρακολούθηση της πορείας της νόσου τόσο σε κλινικές δοκιμές, όσο και στην καθημερινή ιατρική πράξη. Ωστόσο, η χειροκίνητη χαρτογράφηση των βλαβών είναι χρονοβόρα, εργώδης, και επιρρεπής σε ασυμφωνία των αποτελεσμάτων μεταξύ των βαθμολογητών. Η χρήση της Τεχνητής Νοημοσύνης (ΤΝ) εξαπλώνεται ραγδαία στο ιατρικό πεδίο και θα μπορούσε εν δυνάμει να βελτιώσει την ακρίβεια, μειώνοντας τον φόρτο εργασίας, μέσω της αυτοματοποιημένης χαρτογράφησης των αλλοιώσεων. Η παρούσα συστηματική ανασκόπηση εξετάζει την απόδοση των αλγορίθμων ΤΝ στην χαρτογράφηση των ιατρικών εικόνων με ΓΑ και αναδεικνύει τους βασικούς περιορισμούς τους, όπως προκύπτουν από την υπάρχουσα βιβλιογραφία. Έγινε ενδελεχής έλεγχος σε πέντε βάσεις δεδομένων και δύο μητρώα, από την έναρξη καταγραφής τους έως τις 23 Μαρτίου 2024, ακολουθώντας τη μεθοδολογία PRISMA. Είκοσι τέσσερις μελέτες πληρούσαν τα προκαθορισμένα κριτήρια επιλεξιμότητας και δεκαπέντε συμπεριλήφθηκαν στην μετα-ανάλυση. Ο συνολικός συντελεστής ομοιότητας Dice (DSC) ήταν 0.91 (95% CI 0.88–0.95), υποδηλώνοντας υψηλή συμφωνία μεταξύ των αποτελεσμάτων αναφοράς και των προβλέψεων των μοντέλων. Η αποτίμηση της ποιότητας και περιγραφικότητας των μελετών έγινε με τη χρήση των εργαλείων QUADAS-2 και CLAIM. Η ανασκόπηση αυτή παρέχει μια διεξοδική αξιολόγηση των εφαρμογών της ΤΝ στην χαρτογράφηση της ΓΑ και εντοπίζει τα πεδία που χρήζουν βελτίωσης. Τα ευρήματα υποστηρίζουν τις δυνατότητες της ΤΝ για την ενίσχυση της κλινικής πράξης και υποδεικνύουν τις οδούς για την ανάπτυξη βελτιωμένων μελλοντικών μοντέλων που θα μπορούσαν να γεφυρώσουν την απόσταση μεταξύ ερευνητικού πεδίου και κλινικής πραγματικότητας.","abstract_has_math":false,"creators":["Χατζάρα Αικατερίνη","Chatzara Aikaterini"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:32:55Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5295511"],"render_values":[{"text":"uoadl:5295511","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295511","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295511","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%3A5295511","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Χατζάρα Αικατερίνη","Chatzara Aikaterini"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"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:5295511","https://pergamos.lib.uoa.gr/uoa/dl/object/5295511"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Γεωγραφική Ατροφία (ΓΑ) είναι μια προοδευτική νόσος του αμφιβληστροειδούς που σχετίζεται με το τελικό στάδιο της Ηλικιακής Εκφύλισης της Ωχράς Κηλίδας (ΗΕΩ), που αποτελεί μια σημαντική αιτία οπτικής αναπηρίας στους ηλικιωμένους. Η χαρτογράφηση των αλλοιώσεων της ΓΑ είναι χρήσιμη για την παρακολούθηση της πορείας της νόσου τόσο σε κλινικές δοκιμές, όσο και στην καθημερινή ιατρική πράξη. Ωστόσο, η χειροκίνητη χαρτογράφηση των βλαβών είναι χρονοβόρα, εργώδης, και επιρρεπής σε ασυμφωνία των αποτελεσμάτων μεταξύ των βαθμολογητών. Η χρήση της Τεχνητής Νοημοσύνης (ΤΝ) εξαπλώνεται ραγδαία στο ιατρικό πεδίο και θα μπορούσε εν δυνάμει να βελτιώσει την ακρίβεια, μειώνοντας τον φόρτο εργασίας, μέσω της αυτοματοποιημένης χαρτογράφησης των αλλοιώσεων. Η παρούσα συστηματική ανασκόπηση εξετάζει την απόδοση των αλγορίθμων ΤΝ στην χαρτογράφηση των ιατρικών εικόνων με ΓΑ και αναδεικνύει τους βασικούς περιορισμούς τους, όπως προκύπτουν από την υπάρχουσα βιβλιογραφία. Έγινε ενδελεχής έλεγχος σε πέντε βάσεις δεδομένων και δύο μητρώα, από την έναρξη καταγραφής τους έως τις 23 Μαρτίου 2024, ακολουθώντας τη μεθοδολογία PRISMA. Είκοσι τέσσερις μελέτες πληρούσαν τα προκαθορισμένα κριτήρια επιλεξιμότητας και δεκαπέντε συμπεριλήφθηκαν στην μετα-ανάλυση. Ο συνολικός συντελεστής ομοιότητας Dice (DSC) ήταν 0.91 (95% CI 0.88–0.95), υποδηλώνοντας υψηλή συμφωνία μεταξύ των αποτελεσμάτων αναφοράς και των προβλέψεων των μοντέλων. Η αποτίμηση της ποιότητας και περιγραφικότητας των μελετών έγινε με τη χρήση των εργαλείων QUADAS-2 και CLAIM. Η ανασκόπηση αυτή παρέχει μια διεξοδική αξιολόγηση των εφαρμογών της ΤΝ στην χαρτογράφηση της ΓΑ και εντοπίζει τα πεδία που χρήζουν βελτίωσης. Τα ευρήματα υποστηρίζουν τις δυνατότητες της ΤΝ για την ενίσχυση της κλινικής πράξης και υποδεικνύουν τις οδούς για την ανάπτυξη βελτιωμένων μελλοντικών μοντέλων που θα μπορούσαν να γεφυρώσουν την απόσταση μεταξύ ερευνητικού πεδίου και κλινικής πραγματικότητας.","Geographic atrophy (GA) is a progressive retinal disease associated with late-stage age-related macular degeneration (AMD), a significant cause of visual impairment in senior adults. GA lesion segmentation is important for disease monitoring in clinical trials and routine ophthalmic practice; however, its manual delineation is time-consuming, laborious, and subject to inter-grader variability. The use of artificial intelligence (AI) is rapidly expanding within the medical field and could potentially improve accuracy while reducing the workload by facilitating this task. This systematic review evaluates the performance of AI algorithms for GA segmentation and highlights their key limitations from the literature. Five databases and two registries were searched from inception until 23 March 2024, following the PRISMA methodology. Twenty-four studies met the prespecified eligibility criteria, and fifteen were included in this meta-analysis. The pooled Dice similarity coefficient (DSC) was 0.91 (95% CI 0.88–0.95), signifying a high agreement between the reference standards and model predictions. The risk of bias and reporting quality were assessed using QUADAS-2 and CLAIM tools. This review provides a comprehensive evaluation of AI applications for GA segmentation and identifies areas for improvement. The findings support the potential of AI to enhance clinical workflows and highlight pathways for improved future models that could bridge the gap between research settings and real-world clinical practice."]},{"key":"dc:title","label":"Title","values":["Artificial intelligence approaches to geographic atrophy segmentation"]}]}],"canonical_facts":{"dc:creator":["Χατζάρα Αικατερίνη","Chatzara Aikaterini"],"dc:date":["2025"],"dc:description":["Η Γεωγραφική Ατροφία (ΓΑ) είναι μια προοδευτική νόσος του αμφιβληστροειδούς που σχετίζεται με το τελικό στάδιο της Ηλικιακής Εκφύλισης της Ωχράς Κηλίδας (ΗΕΩ), που αποτελεί μια σημαντική αιτία οπτικής αναπηρίας στους ηλικιωμένους. Η χαρτογράφηση των αλλοιώσεων της ΓΑ είναι χρήσιμη για την παρακολούθηση της πορείας της νόσου τόσο σε κλινικές δοκιμές, όσο και στην καθημερινή ιατρική πράξη. Ωστόσο, η χειροκίνητη χαρτογράφηση των βλαβών είναι χρονοβόρα, εργώδης, και επιρρεπής σε ασυμφωνία των αποτελεσμάτων μεταξύ των βαθμολογητών. Η χρήση της Τεχνητής Νοημοσύνης (ΤΝ) εξαπλώνεται ραγδαία στο ιατρικό πεδίο και θα μπορούσε εν δυνάμει να βελτιώσει την ακρίβεια, μειώνοντας τον φόρτο εργασίας, μέσω της αυτοματοποιημένης χαρτογράφησης των αλλοιώσεων. Η παρούσα συστηματική ανασκόπηση εξετάζει την απόδοση των αλγορίθμων ΤΝ στην χαρτογράφηση των ιατρικών εικόνων με ΓΑ και αναδεικνύει τους βασικούς περιορισμούς τους, όπως προκύπτουν από την υπάρχουσα βιβλιογραφία. Έγινε ενδελεχής έλεγχος σε πέντε βάσεις δεδομένων και δύο μητρώα, από την έναρξη καταγραφής τους έως τις 23 Μαρτίου 2024, ακολουθώντας τη μεθοδολογία PRISMA. Είκοσι τέσσερις μελέτες πληρούσαν τα προκαθορισμένα κριτήρια επιλεξιμότητας και δεκαπέντε συμπεριλήφθηκαν στην μετα-ανάλυση. Ο συνολικός συντελεστής ομοιότητας Dice (DSC) ήταν 0.91 (95% CI 0.88–0.95), υποδηλώνοντας υψηλή συμφωνία μεταξύ των αποτελεσμάτων αναφοράς και των προβλέψεων των μοντέλων. Η αποτίμηση της ποιότητας και περιγραφικότητας των μελετών έγινε με τη χρήση των εργαλείων QUADAS-2 και CLAIM. Η ανασκόπηση αυτή παρέχει μια διεξοδική αξιολόγηση των εφαρμογών της ΤΝ στην χαρτογράφηση της ΓΑ και εντοπίζει τα πεδία που χρήζουν βελτίωσης. Τα ευρήματα υποστηρίζουν τις δυνατότητες της ΤΝ για την ενίσχυση της κλινικής πράξης και υποδεικνύουν τις οδούς για την ανάπτυξη βελτιωμένων μελλοντικών μοντέλων που θα μπορούσαν να γεφυρώσουν την απόσταση μεταξύ ερευνητικού πεδίου και κλινικής πραγματικότητας.","Geographic atrophy (GA) is a progressive retinal disease associated with late-stage age-related macular degeneration (AMD), a significant cause of visual impairment in senior adults. GA lesion segmentation is important for disease monitoring in clinical trials and routine ophthalmic practice; however, its manual delineation is time-consuming, laborious, and subject to inter-grader variability. The use of artificial intelligence (AI) is rapidly expanding within the medical field and could potentially improve accuracy while reducing the workload by facilitating this task. This systematic review evaluates the performance of AI algorithms for GA segmentation and highlights their key limitations from the literature. Five databases and two registries were searched from inception until 23 March 2024, following the PRISMA methodology. Twenty-four studies met the prespecified eligibility criteria, and fifteen were included in this meta-analysis. The pooled Dice similarity coefficient (DSC) was 0.91 (95% CI 0.88–0.95), signifying a high agreement between the reference standards and model predictions. The risk of bias and reporting quality were assessed using QUADAS-2 and CLAIM tools. This review provides a comprehensive evaluation of AI applications for GA segmentation and identifies areas for improvement. The findings support the potential of AI to enhance clinical workflows and highlight pathways for improved future models that could bridge the gap between research settings and real-world clinical practice."],"dc:identifier":["uoadl:5295511","https://pergamos.lib.uoa.gr/uoa/dl/object/5295511"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Artificial intelligence approaches to geographic atrophy segmentation"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:55Z"}