{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5295513"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5295513","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Decoding ocular enigmas: \"Harnessing artificial intelligence for choroidal nevus and choroidal melanoma assessment\"","abstract":"Αυτή 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.","abstract_html":"Αυτή 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.","abstract_has_math":false,"creators":["Καραμανλή Κωνσταντίνα-Ελένη","Karamanli Konstantina-Eleni"],"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:5295513"],"render_values":[{"text":"uoadl:5295513","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295513","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5295513","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%3A5295513","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καραμανλή Κωνσταντίνα-Ελένη","Karamanli Konstantina-Eleni"]}]},{"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:5295513","https://pergamos.lib.uoa.gr/uoa/dl/object/5295513"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή 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.","This thesis examines the role of artificial intelligence (AI) in differentiating choroidal nevus (CN) from choroidal melanoma (CM), focusing on diagnosis, classification, segmentation, and prediction of malignant transformation. A literature search was performed in PubMed, Google Scholar, and Science Direct up to December 2024. Eight studies met all the inclusion criteria, evaluating machine learning (ML) and deep learning (DL) applications for CN and CM assessment using various ophthalmic imaging modalities. Performance varied across AI models. U-Net achieved 100% sensitivity and an AUC of 0.88, while DenseNet121 reached an AUC of 0.9781, LASSO logistic regression an AUC of 0.88, RETFound (a self-supervised learning model) had an AUCROC of 0.92, and ResNet50 an accuracy of 92.65% in classification tasks. DeepLabv3 achieved Dice scores of 0.87 (melanoma) and 0.81 (nevi) in lesion-based segmentation, while nnU-Net yielded a Dice score of 0.78 and a recall of 0.77 for pigmented lesion segmentation. SAINT (XGBoost-based) demonstrated a strong predictive performance (AUC: 0.910), confirming its effectiveness in ophthalmic imaging. These results highlight the potential of AI models as effective diagnostic tools in ocular oncology. However, further research is needed to improve model generalizability, enhance dataset diversity, and facilitate clinical integration."]},{"key":"dc:title","label":"Title","values":["Decoding ocular enigmas: \"Harnessing artificial intelligence for choroidal nevus and choroidal melanoma assessment\""]}]}],"canonical_facts":{"dc:creator":["Καραμανλή Κωνσταντίνα-Ελένη","Karamanli Konstantina-Eleni"],"dc:date":["2025"],"dc:description":["Αυτή 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.","This thesis examines the role of artificial intelligence (AI) in differentiating choroidal nevus (CN) from choroidal melanoma (CM), focusing on diagnosis, classification, segmentation, and prediction of malignant transformation. A literature search was performed in PubMed, Google Scholar, and Science Direct up to December 2024. Eight studies met all the inclusion criteria, evaluating machine learning (ML) and deep learning (DL) applications for CN and CM assessment using various ophthalmic imaging modalities. Performance varied across AI models. U-Net achieved 100% sensitivity and an AUC of 0.88, while DenseNet121 reached an AUC of 0.9781, LASSO logistic regression an AUC of 0.88, RETFound (a self-supervised learning model) had an AUCROC of 0.92, and ResNet50 an accuracy of 92.65% in classification tasks. DeepLabv3 achieved Dice scores of 0.87 (melanoma) and 0.81 (nevi) in lesion-based segmentation, while nnU-Net yielded a Dice score of 0.78 and a recall of 0.77 for pigmented lesion segmentation. SAINT (XGBoost-based) demonstrated a strong predictive performance (AUC: 0.910), confirming its effectiveness in ophthalmic imaging. These results highlight the potential of AI models as effective diagnostic tools in ocular oncology. However, further research is needed to improve model generalizability, enhance dataset diversity, and facilitate clinical integration."],"dc:identifier":["uoadl:5295513","https://pergamos.lib.uoa.gr/uoa/dl/object/5295513"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Decoding ocular enigmas: \"Harnessing artificial intelligence for choroidal nevus and choroidal melanoma assessment\""],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:32:55Z"}