{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5313481"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5313481","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ο ρόλος της τεχνητής νοημοσύνης και της μηχανικής μάθησης στην βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της εξωσωματικής γονιμοποίησης","abstract":"Η παρούσα εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (Artificial Intelligence, AI) και της Μηχανικής Μάθησης (Machine Learning, ML) στη βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της Εξωσωματικής Γονιμοποίησης (In Vitro Fertilization, IVF). Η επιλογή του κατάλληλου εμβρύου αποτελεί κρίσιμο παράγοντα για την επιτυχία της εμφύτευσης και τη μείωση των ποσοστών αποτυχίας, καθώς οι παραδοσιακές μέθοδοι — μορφολογική αξιολόγηση, προεμφυτευτικός γενετικός έλεγχος (PGT) και τεχνολογία απεικόνισης time-lapse — παρουσιάζουν περιορισμούς, κυρίως λόγω της υποκειμενικότητας και της μεταβλητότητας στην ερμηνεία των δεδομένων. Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο της εξωσωματικής γονιμοποίησης, αναλύοντας τα στάδια της διαδικασίας, τους παράγοντες που επηρεάζουν την επιτυχία της, καθώς και τα υφιστάμενα κριτήρια επιλογής εμβρύων. Παράλληλα, αναπτύσσονται οι βασικές αρχές της τεχνητής νοημοσύνης και της μηχανικής μάθησης, περιγράφοντας τους κύριους αλγορίθμους που χρησιμοποιούνται για ανάλυση και πρόβλεψη βιοϊατρικών δεδομένων, όπως τα Convolutional Neural Networks (CNN), τα Support Vector Machines (SVM) και οι Random Forests. Ιδιαίτερη έμφαση δίνεται στη χρήση βαθιών νευρωνικών δικτύων (Deep Learning) για την ανάλυση μορφολογικών και μορφοκινητικών χαρακτηριστικών εμβρύων, μέσω δεδομένων εικόνας και βίντεο time-lapse. Επιπλέον, γίνεται αναφορά σε σύγχρονα εμπορικά συστήματα τεχνητής νοημοσύνης, όπως τα Life Whisperer, iDAScore και CHLOE-EQ, τα οποία χρησιμοποιούνται ήδη σε κλινικό επίπεδο για την αυτοματοποιημένη αξιολόγηση της εμβρυϊκής ποιότητας. Τα συστήματα αυτά αποδεικνύουν ότι η ενσωμάτωση της AI μπορεί να βελτιώσει σημαντικά την ακρίβεια, την ταχύτητα και την αντικειμενικότητα της επιλογής εμβρύων, συμβάλλοντας στη μείωση του ανθρώπινου σφάλματος και στην αύξηση των ποσοστών επιτυχούς κύησης. Η μελέτη καταδεικνύει ότι, παρότι η τεχνητή νοημοσύνη δεν δύναται να αντικαταστήσει πλήρως τον ρόλο του εμβρυολόγου, μπορεί να λειτουργήσει ως πολύτιμο υποστηρικτικό εργαλείο στη διαδικασία λήψης αποφάσεων. Παράλληλα, επισημαίνονται οι τρέχουσες προκλήσεις και τα ηθικά ζητήματα που ανακύπτουν, όπως η ανάγκη για αξιόπιστα και αντιπροσωπευτικά δεδομένα, η αντιμετώπιση αλγοριθμικών προκαταλήψεων (bias) και η διασφάλιση της ιδιωτικότητας των ασθενών. Συνολικά, η εφαρμογή της Τεχνητής Νοημοσύνης στην εμβρυολογία αναμένεται να αποτελέσει καθοριστικό παράγοντα για τη μελλοντική εξέλιξη της υποβοηθούμενης αναπαραγωγής, οδηγώντας προς την κατεύθυνση των αυτοματοποιημένων εργαστηρίων και της εξατομικευμένης ιατρικής, με στόχο τη βελτιστοποίηση των αποτελεσμάτων της εξωσωματικής γονιμοποίησης.","abstract_html":"Η παρούσα εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (Artificial Intelligence, AI) και της Μηχανικής Μάθησης (Machine Learning, ML) στη βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της Εξωσωματικής Γονιμοποίησης (In Vitro Fertilization, IVF). Η επιλογή του κατάλληλου εμβρύου αποτελεί κρίσιμο παράγοντα για την επιτυχία της εμφύτευσης και τη μείωση των ποσοστών αποτυχίας, καθώς οι παραδοσιακές μέθοδοι — μορφολογική αξιολόγηση, προεμφυτευτικός γενετικός έλεγχος (PGT) και τεχνολογία απεικόνισης time-lapse — παρουσιάζουν περιορισμούς, κυρίως λόγω της υποκειμενικότητας και της μεταβλητότητας στην ερμηνεία των δεδομένων. Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο της εξωσωματικής γονιμοποίησης, αναλύοντας τα στάδια της διαδικασίας, τους παράγοντες που επηρεάζουν την επιτυχία της, καθώς και τα υφιστάμενα κριτήρια επιλογής εμβρύων. Παράλληλα, αναπτύσσονται οι βασικές αρχές της τεχνητής νοημοσύνης και της μηχανικής μάθησης, περιγράφοντας τους κύριους αλγορίθμους που χρησιμοποιούνται για ανάλυση και πρόβλεψη βιοϊατρικών δεδομένων, όπως τα Convolutional Neural Networks (CNN), τα Support Vector Machines (SVM) και οι Random Forests. Ιδιαίτερη έμφαση δίνεται στη χρήση βαθιών νευρωνικών δικτύων (Deep Learning) για την ανάλυση μορφολογικών και μορφοκινητικών χαρακτηριστικών εμβρύων, μέσω δεδομένων εικόνας και βίντεο time-lapse. Επιπλέον, γίνεται αναφορά σε σύγχρονα εμπορικά συστήματα τεχνητής νοημοσύνης, όπως τα Life Whisperer, iDAScore και CHLOE-EQ, τα οποία χρησιμοποιούνται ήδη σε κλινικό επίπεδο για την αυτοματοποιημένη αξιολόγηση της εμβρυϊκής ποιότητας. Τα συστήματα αυτά αποδεικνύουν ότι η ενσωμάτωση της AI μπορεί να βελτιώσει σημαντικά την ακρίβεια, την ταχύτητα και την αντικειμενικότητα της επιλογής εμβρύων, συμβάλλοντας στη μείωση του ανθρώπινου σφάλματος και στην αύξηση των ποσοστών επιτυχούς κύησης. Η μελέτη καταδεικνύει ότι, παρότι η τεχνητή νοημοσύνη δεν δύναται να αντικαταστήσει πλήρως τον ρόλο του εμβρυολόγου, μπορεί να λειτουργήσει ως πολύτιμο υποστηρικτικό εργαλείο στη διαδικασία λήψης αποφάσεων. Παράλληλα, επισημαίνονται οι τρέχουσες προκλήσεις και τα ηθικά ζητήματα που ανακύπτουν, όπως η ανάγκη για αξιόπιστα και αντιπροσωπευτικά δεδομένα, η αντιμετώπιση αλγοριθμικών προκαταλήψεων (bias) και η διασφάλιση της ιδιωτικότητας των ασθενών. Συνολικά, η εφαρμογή της Τεχνητής Νοημοσύνης στην εμβρυολογία αναμένεται να αποτελέσει καθοριστικό παράγοντα για τη μελλοντική εξέλιξη της υποβοηθούμενης αναπαραγωγής, οδηγώντας προς την κατεύθυνση των αυτοματοποιημένων εργαστηρίων και της εξατομικευμένης ιατρικής, με στόχο τη βελτιστοποίηση των αποτελεσμάτων της εξωσωματικής γονιμοποίησης.","abstract_has_math":false,"creators":["Μαθιουδάκη Χριστίνα","Mathioudaki Christina"],"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":"2026-11-19T06:40:54Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5313481"],"render_values":[{"text":"uoadl:5313481","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5313481","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5313481","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%3A5313481","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαθιουδάκη Χριστίνα","Mathioudaki Christina"]}]},{"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":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5313481","https://pergamos.lib.uoa.gr/uoa/dl/object/5313481"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (Artificial Intelligence, AI) και της Μηχανικής Μάθησης (Machine Learning, ML) στη βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της Εξωσωματικής Γονιμοποίησης (In Vitro Fertilization, IVF). Η επιλογή του κατάλληλου εμβρύου αποτελεί κρίσιμο παράγοντα για την επιτυχία της εμφύτευσης και τη μείωση των ποσοστών αποτυχίας, καθώς οι παραδοσιακές μέθοδοι — μορφολογική αξιολόγηση, προεμφυτευτικός γενετικός έλεγχος (PGT) και τεχνολογία απεικόνισης time-lapse — παρουσιάζουν περιορισμούς, κυρίως λόγω της υποκειμενικότητας και της μεταβλητότητας στην ερμηνεία των δεδομένων. Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο της εξωσωματικής γονιμοποίησης, αναλύοντας τα στάδια της διαδικασίας, τους παράγοντες που επηρεάζουν την επιτυχία της, καθώς και τα υφιστάμενα κριτήρια επιλογής εμβρύων. Παράλληλα, αναπτύσσονται οι βασικές αρχές της τεχνητής νοημοσύνης και της μηχανικής μάθησης, περιγράφοντας τους κύριους αλγορίθμους που χρησιμοποιούνται για ανάλυση και πρόβλεψη βιοϊατρικών δεδομένων, όπως τα Convolutional Neural Networks (CNN), τα Support Vector Machines (SVM) και οι Random Forests. Ιδιαίτερη έμφαση δίνεται στη χρήση βαθιών νευρωνικών δικτύων (Deep Learning) για την ανάλυση μορφολογικών και μορφοκινητικών χαρακτηριστικών εμβρύων, μέσω δεδομένων εικόνας και βίντεο time-lapse. Επιπλέον, γίνεται αναφορά σε σύγχρονα εμπορικά συστήματα τεχνητής νοημοσύνης, όπως τα Life Whisperer, iDAScore και CHLOE-EQ, τα οποία χρησιμοποιούνται ήδη σε κλινικό επίπεδο για την αυτοματοποιημένη αξιολόγηση της εμβρυϊκής ποιότητας. Τα συστήματα αυτά αποδεικνύουν ότι η ενσωμάτωση της AI μπορεί να βελτιώσει σημαντικά την ακρίβεια, την ταχύτητα και την αντικειμενικότητα της επιλογής εμβρύων, συμβάλλοντας στη μείωση του ανθρώπινου σφάλματος και στην αύξηση των ποσοστών επιτυχούς κύησης. Η μελέτη καταδεικνύει ότι, παρότι η τεχνητή νοημοσύνη δεν δύναται να αντικαταστήσει πλήρως τον ρόλο του εμβρυολόγου, μπορεί να λειτουργήσει ως πολύτιμο υποστηρικτικό εργαλείο στη διαδικασία λήψης αποφάσεων. Παράλληλα, επισημαίνονται οι τρέχουσες προκλήσεις και τα ηθικά ζητήματα που ανακύπτουν, όπως η ανάγκη για αξιόπιστα και αντιπροσωπευτικά δεδομένα, η αντιμετώπιση αλγοριθμικών προκαταλήψεων (bias) και η διασφάλιση της ιδιωτικότητας των ασθενών. Συνολικά, η εφαρμογή της Τεχνητής Νοημοσύνης στην εμβρυολογία αναμένεται να αποτελέσει καθοριστικό παράγοντα για τη μελλοντική εξέλιξη της υποβοηθούμενης αναπαραγωγής, οδηγώντας προς την κατεύθυνση των αυτοματοποιημένων εργαστηρίων και της εξατομικευμένης ιατρικής, με στόχο τη βελτιστοποίηση των αποτελεσμάτων της εξωσωματικής γονιμοποίησης.","This thesis investigates the role of Artificial Intelligence (AI) and Machine Learning (ML) in optimizing embryo selection methods within the framework of In Vitro Fertilization (IVF). Embryo selection represents a crucial step in determining implantation success and improving pregnancy outcomes. Traditional approaches — including morphological assessment, Preimplantation Genetic Testing (PGT), and time-lapse imaging — although valuable, are limited by subjectivity, inter-observer variability, and restricted data interpretation. The study presents the theoretical background of IVF, outlining its main stages, the biological and technical factors influencing success rates, and the existing embryo evaluation criteria. It then explores the fundamental principles of AI and ML, highlighting key algorithms used in biomedical analysis and prediction — such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and Random Forests. Special emphasis is placed on the application of Deep Learning models in the automated analysis of embryo morphology and morphokinetics derived from time-lapse imaging systems. Furthermore, the thesis reviews current commercial AI-based systems, including Life Whisperer, iDAScore, and CHLOE-EQ, which are already being implemented in clinical embryology. These systems demonstrate that the integration of AI can significantly enhance the accuracy, speed, and objectivity of embryo selection while minimizing human error and improving implantation and live birth rates. The findings suggest that AI should be viewed not as a replacement for the embryologist but as a decision-support tool that complements human expertise. However, several challenges and ethical considerations remain, including data reliability, algorithmic bias, and issues related to patient privacy and informed consent. In conclusion, the integration of Artificial Intelligence in embryology is expected to play a pivotal role in the future of assisted reproduction, paving the way for automated embryology laboratories and personalized reproductive medicine, ultimately contributing to the optimization of IVF outcomes."]},{"key":"dc:title","label":"Title","values":["Ο ρόλος της τεχνητής νοημοσύνης και της μηχανικής μάθησης στην βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της εξωσωματικής γονιμοποίησης"]}]}],"canonical_facts":{"dc:creator":["Μαθιουδάκη Χριστίνα","Mathioudaki Christina"],"dc:date":["2025"],"dc:description":["Η παρούσα εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (Artificial Intelligence, AI) και της Μηχανικής Μάθησης (Machine Learning, ML) στη βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της Εξωσωματικής Γονιμοποίησης (In Vitro Fertilization, IVF). Η επιλογή του κατάλληλου εμβρύου αποτελεί κρίσιμο παράγοντα για την επιτυχία της εμφύτευσης και τη μείωση των ποσοστών αποτυχίας, καθώς οι παραδοσιακές μέθοδοι — μορφολογική αξιολόγηση, προεμφυτευτικός γενετικός έλεγχος (PGT) και τεχνολογία απεικόνισης time-lapse — παρουσιάζουν περιορισμούς, κυρίως λόγω της υποκειμενικότητας και της μεταβλητότητας στην ερμηνεία των δεδομένων. Η εργασία παρουσιάζει το θεωρητικό υπόβαθρο της εξωσωματικής γονιμοποίησης, αναλύοντας τα στάδια της διαδικασίας, τους παράγοντες που επηρεάζουν την επιτυχία της, καθώς και τα υφιστάμενα κριτήρια επιλογής εμβρύων. Παράλληλα, αναπτύσσονται οι βασικές αρχές της τεχνητής νοημοσύνης και της μηχανικής μάθησης, περιγράφοντας τους κύριους αλγορίθμους που χρησιμοποιούνται για ανάλυση και πρόβλεψη βιοϊατρικών δεδομένων, όπως τα Convolutional Neural Networks (CNN), τα Support Vector Machines (SVM) και οι Random Forests. Ιδιαίτερη έμφαση δίνεται στη χρήση βαθιών νευρωνικών δικτύων (Deep Learning) για την ανάλυση μορφολογικών και μορφοκινητικών χαρακτηριστικών εμβρύων, μέσω δεδομένων εικόνας και βίντεο time-lapse. Επιπλέον, γίνεται αναφορά σε σύγχρονα εμπορικά συστήματα τεχνητής νοημοσύνης, όπως τα Life Whisperer, iDAScore και CHLOE-EQ, τα οποία χρησιμοποιούνται ήδη σε κλινικό επίπεδο για την αυτοματοποιημένη αξιολόγηση της εμβρυϊκής ποιότητας. Τα συστήματα αυτά αποδεικνύουν ότι η ενσωμάτωση της AI μπορεί να βελτιώσει σημαντικά την ακρίβεια, την ταχύτητα και την αντικειμενικότητα της επιλογής εμβρύων, συμβάλλοντας στη μείωση του ανθρώπινου σφάλματος και στην αύξηση των ποσοστών επιτυχούς κύησης. Η μελέτη καταδεικνύει ότι, παρότι η τεχνητή νοημοσύνη δεν δύναται να αντικαταστήσει πλήρως τον ρόλο του εμβρυολόγου, μπορεί να λειτουργήσει ως πολύτιμο υποστηρικτικό εργαλείο στη διαδικασία λήψης αποφάσεων. Παράλληλα, επισημαίνονται οι τρέχουσες προκλήσεις και τα ηθικά ζητήματα που ανακύπτουν, όπως η ανάγκη για αξιόπιστα και αντιπροσωπευτικά δεδομένα, η αντιμετώπιση αλγοριθμικών προκαταλήψεων (bias) και η διασφάλιση της ιδιωτικότητας των ασθενών. Συνολικά, η εφαρμογή της Τεχνητής Νοημοσύνης στην εμβρυολογία αναμένεται να αποτελέσει καθοριστικό παράγοντα για τη μελλοντική εξέλιξη της υποβοηθούμενης αναπαραγωγής, οδηγώντας προς την κατεύθυνση των αυτοματοποιημένων εργαστηρίων και της εξατομικευμένης ιατρικής, με στόχο τη βελτιστοποίηση των αποτελεσμάτων της εξωσωματικής γονιμοποίησης.","This thesis investigates the role of Artificial Intelligence (AI) and Machine Learning (ML) in optimizing embryo selection methods within the framework of In Vitro Fertilization (IVF). Embryo selection represents a crucial step in determining implantation success and improving pregnancy outcomes. Traditional approaches — including morphological assessment, Preimplantation Genetic Testing (PGT), and time-lapse imaging — although valuable, are limited by subjectivity, inter-observer variability, and restricted data interpretation. The study presents the theoretical background of IVF, outlining its main stages, the biological and technical factors influencing success rates, and the existing embryo evaluation criteria. It then explores the fundamental principles of AI and ML, highlighting key algorithms used in biomedical analysis and prediction — such as Convolutional Neural Networks (CNNs), Support Vector Machines (SVMs), and Random Forests. Special emphasis is placed on the application of Deep Learning models in the automated analysis of embryo morphology and morphokinetics derived from time-lapse imaging systems. Furthermore, the thesis reviews current commercial AI-based systems, including Life Whisperer, iDAScore, and CHLOE-EQ, which are already being implemented in clinical embryology. These systems demonstrate that the integration of AI can significantly enhance the accuracy, speed, and objectivity of embryo selection while minimizing human error and improving implantation and live birth rates. The findings suggest that AI should be viewed not as a replacement for the embryologist but as a decision-support tool that complements human expertise. However, several challenges and ethical considerations remain, including data reliability, algorithmic bias, and issues related to patient privacy and informed consent. In conclusion, the integration of Artificial Intelligence in embryology is expected to play a pivotal role in the future of assisted reproduction, paving the way for automated embryology laboratories and personalized reproductive medicine, ultimately contributing to the optimization of IVF outcomes."],"dc:identifier":["uoadl:5313481","https://pergamos.lib.uoa.gr/uoa/dl/object/5313481"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ο ρόλος της τεχνητής νοημοσύνης και της μηχανικής μάθησης στην βελτιστοποίηση των μεθόδων επιλογής εμβρύων στο πλαίσιο της εξωσωματικής γονιμοποίησης"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:54Z"}