National and Kapodistrian University of Athens
Decoding ocular enigmas: "Harnessing artificial intelligence for choroidal nevus and choroidal melanoma assessment"
Abstract
dc:descriptionΑυτή η διατριβή εξετάζει τον ρόλο της τεχνητής νοημοσύνης (ΤΝ) στη διαφοροποίηση του χοριοειδούς σπίλου (ΧΣ) από το χοριοειδές μελάνωμα (ΧΜ), εστιάζοντας στη διάγνωση, την ταξινόμηση, την τμηματοποίηση και την πρόβλεψη κακοήθους μετασχηματισμού. Πραγματοποιήθηκε βιβλιογραφική αναζήτηση στο PubMed, το Google Scholar και το Science Direct έως τον Δεκέμβριο του 2024. Οκτώ μελέτες πληρούσαν όλα τα κριτήρια ένταξης, αξιολογώντας εφαρμογές μηχανικής μάθησης και βαθιάς μάθησης για την αξιολόγηση ΧΣ και ΧΜ χρησιμοποιώντας διάφορες οφθαλμολογικές απεικονιστικές μεθόδους. Η απόδοση διέφερε μεταξύ των μοντέλων ΤΝ. Το U-Net πέτυχε ευαισθησία 100% και AUC 0,88, ενώ το DenseNet121 έφτασε σε AUC 0,9781, η λογιστική παλινδρόμηση LASSO σε AUC 0,88, το RETFound (ένα αυτοεπιβλεπόμενο μοντέλο μάθησης) είχε AUCROC 0,92 και το ResNet50 ακρίβεια 92,65% σε εργασίες ταξινόμησης. Το DeepLabv3 πέτυχε βαθμολογίες Dice 0,87 (μελάνωμα) και 0,81 (σπίλοι) στην τμηματοποίηση με βάση τις βλάβες, ενώ το nnU-Net απέδωσε βαθμολογία Dice 0,78 και ανάκληση 0,77 για την τμηματοποίηση των μελαγχρωματικών βλαβών. Το SAINT (με βάση το XGBoost) επέδειξε ισχυρή προγνωστική απόδοση (AUC: 0,910), επιβεβαιώνοντας την αποτελεσματικότητά του στην οφθαλμολογική απεικόνιση. Αυτά τα αποτελέσματα υπογραμμίζουν τις δυνατότητες των μοντέλων Τεχνητής Νοημοσύνης ως αποτελεσματικά διαγνωστικά εργαλεία στην οφθαλμική ογκολογία. Ωστόσο, απαιτείται περαιτέρω έρευνα για τη βελτίωση της γενίκευσης του μοντέλου, την ενίσχυση της ποικιλομορφίας των συνόλων δεδομένων και τη διευκόλυνση της κλινικής ολοκλήρωσης.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Καραμανλή Κωνσταντίνα-Ελένη
- Karamanli Konstantina-Eleni
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5295513