{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5327616"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5327616","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Investigating the role of artificial intelligence in the screening, classification, diagnosis and management of epiretinal membrane","abstract":"Η επιαμφιβληστροειδική μεμβράνη (ERM) αποτελεί μια συχνή παθολογία του αμφιβληστροειδούς που σχετίζεται με προοδευτική μείωση της όρασης, απαιτώντας έγκαιρη και ακριβή εκτίμηση. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη (AI) έχουν καταστήσει δυνατές αυτοματοποιημένες μεθόδους για την ανίχνευση, την τμηματοποίηση και την πρόβλεψη της μετεγχειρητικά καλύτερα διορθωμένης οπτικής οξύτητας (BCVA) της ERM, προσφέροντας υποσχόμενες προοπτικές για τη βελτίωση της κλινικής αποτελεσματικότητας και της διαγνωστικής ακρίβειας. Πραγματοποιήσαμε μια εκτενή αναζήτηση στη βιβλιογραφία στις βάσεις MEDLINE (μέσω PubMed), Scopus, CENTRAL, ClinicalTrials.gov και Google Scholar από την έναρξή τους έως τις 31 Δεκεμβρίου 2023. Συνολικά, 42 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 16 επιλέχθηκαν για μετα-ανάλυση. Ο κίνδυνος συστηματικού σφάλματος και η ποιότητα τεκμηρίωσης των δεδομένων αξιολογήθηκαν χρησιμοποιώντας τα εργαλεία QUADAS-2 και CLAIM. Η μετα-ανάλυση των 16 μελετών (533.674 εικόνες) έδειξε ότι τα μοντέλα Deep Learning (DL) πέτυχαν υψηλή διαγνωστική ακρίβεια (AUC = 0.97), με συνολική ευαισθησία και ειδικότητα 0.93 και 0.97, αντίστοιχα. Τα μοντέλα βασισμένα στην οπτική τομογραφία συνοχής (OCT) υπερείχαν εκείνων που βασίζονταν σε έγχρωμες φωτογραφίες βυθού, ενώ, παρά τη διατήρηση υψηλών επιπέδων απόδοσης σε εξωτερικές διαδικασίες επικύρωσης, η θετική προγνωστική αξία (PPV) παρουσίασε μείωση, γεγονός που υπογραμμίζει τη σημασία αξιολόγησης της γενικευσιμότητας των μοντέλων. Σύμφωνα με αυτά που γνωρίζουμε, αυτή είναι η πρώτη συστηματική ανασκόπηση και μετα-ανάλυση που αξιολογεί κριτικά τον ρόλο της τεχνητής νοημοσύνης στην ανίχνευση, τμηματοποίηση και πρόβλεψη της μετεγχειρητικής BCVA της ERM σε διάφορες οφθαλμολογικές απεικονιστικές μεθόδους. Τα ευρήματά μας παρέχουν μια σαφή επισκόπηση των υφιστάμενων δεδομένων που στηρίζουν τη συνεχή ανάπτυξη και κλινική ενσωμάτωση εργαλείων τεχνητής νοημοσύνης για τη διάγνωση και διαχείριση της ERM.","abstract_html":"Η επιαμφιβληστροειδική μεμβράνη (ERM) αποτελεί μια συχνή παθολογία του αμφιβληστροειδούς που σχετίζεται με προοδευτική μείωση της όρασης, απαιτώντας έγκαιρη και ακριβή εκτίμηση. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη (AI) έχουν καταστήσει δυνατές αυτοματοποιημένες μεθόδους για την ανίχνευση, την τμηματοποίηση και την πρόβλεψη της μετεγχειρητικά καλύτερα διορθωμένης οπτικής οξύτητας (BCVA) της ERM, προσφέροντας υποσχόμενες προοπτικές για τη βελτίωση της κλινικής αποτελεσματικότητας και της διαγνωστικής ακρίβειας. Πραγματοποιήσαμε μια εκτενή αναζήτηση στη βιβλιογραφία στις βάσεις MEDLINE (μέσω PubMed), Scopus, CENTRAL, ClinicalTrials.gov και Google Scholar από την έναρξή τους έως τις 31 Δεκεμβρίου 2023. Συνολικά, 42 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 16 επιλέχθηκαν για μετα-ανάλυση. Ο κίνδυνος συστηματικού σφάλματος και η ποιότητα τεκμηρίωσης των δεδομένων αξιολογήθηκαν χρησιμοποιώντας τα εργαλεία QUADAS-2 και CLAIM. Η μετα-ανάλυση των 16 μελετών (533.674 εικόνες) έδειξε ότι τα μοντέλα Deep Learning (DL) πέτυχαν υψηλή διαγνωστική ακρίβεια (AUC = 0.97), με συνολική ευαισθησία και ειδικότητα 0.93 και 0.97, αντίστοιχα. Τα μοντέλα βασισμένα στην οπτική τομογραφία συνοχής (OCT) υπερείχαν εκείνων που βασίζονταν σε έγχρωμες φωτογραφίες βυθού, ενώ, παρά τη διατήρηση υψηλών επιπέδων απόδοσης σε εξωτερικές διαδικασίες επικύρωσης, η θετική προγνωστική αξία (PPV) παρουσίασε μείωση, γεγονός που υπογραμμίζει τη σημασία αξιολόγησης της γενικευσιμότητας των μοντέλων. Σύμφωνα με αυτά που γνωρίζουμε, αυτή είναι η πρώτη συστηματική ανασκόπηση και μετα-ανάλυση που αξιολογεί κριτικά τον ρόλο της τεχνητής νοημοσύνης στην ανίχνευση, τμηματοποίηση και πρόβλεψη της μετεγχειρητικής BCVA της ERM σε διάφορες οφθαλμολογικές απεικονιστικές μεθόδους. Τα ευρήματά μας παρέχουν μια σαφή επισκόπηση των υφιστάμενων δεδομένων που στηρίζουν τη συνεχή ανάπτυξη και κλινική ενσωμάτωση εργαλείων τεχνητής νοημοσύνης για τη διάγνωση και διαχείριση της ERM.","abstract_has_math":false,"creators":["Μήτρη Πετρούλα","Mitri Petroula"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:01:44Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5327616"],"render_values":[{"text":"uoadl:5327616","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5327616","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μήτρη Πετρούλα","Mitri Petroula"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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:5327616","https://pergamos.lib.uoa.gr/uoa/dl/object/5327616"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η επιαμφιβληστροειδική μεμβράνη (ERM) αποτελεί μια συχνή παθολογία του αμφιβληστροειδούς που σχετίζεται με προοδευτική μείωση της όρασης, απαιτώντας έγκαιρη και ακριβή εκτίμηση. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη (AI) έχουν καταστήσει δυνατές αυτοματοποιημένες μεθόδους για την ανίχνευση, την τμηματοποίηση και την πρόβλεψη της μετεγχειρητικά καλύτερα διορθωμένης οπτικής οξύτητας (BCVA) της ERM, προσφέροντας υποσχόμενες προοπτικές για τη βελτίωση της κλινικής αποτελεσματικότητας και της διαγνωστικής ακρίβειας. Πραγματοποιήσαμε μια εκτενή αναζήτηση στη βιβλιογραφία στις βάσεις MEDLINE (μέσω PubMed), Scopus, CENTRAL, ClinicalTrials.gov και Google Scholar από την έναρξή τους έως τις 31 Δεκεμβρίου 2023. Συνολικά, 42 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 16 επιλέχθηκαν για μετα-ανάλυση. Ο κίνδυνος συστηματικού σφάλματος και η ποιότητα τεκμηρίωσης των δεδομένων αξιολογήθηκαν χρησιμοποιώντας τα εργαλεία QUADAS-2 και CLAIM. Η μετα-ανάλυση των 16 μελετών (533.674 εικόνες) έδειξε ότι τα μοντέλα Deep Learning (DL) πέτυχαν υψηλή διαγνωστική ακρίβεια (AUC = 0.97), με συνολική ευαισθησία και ειδικότητα 0.93 και 0.97, αντίστοιχα. Τα μοντέλα βασισμένα στην οπτική τομογραφία συνοχής (OCT) υπερείχαν εκείνων που βασίζονταν σε έγχρωμες φωτογραφίες βυθού, ενώ, παρά τη διατήρηση υψηλών επιπέδων απόδοσης σε εξωτερικές διαδικασίες επικύρωσης, η θετική προγνωστική αξία (PPV) παρουσίασε μείωση, γεγονός που υπογραμμίζει τη σημασία αξιολόγησης της γενικευσιμότητας των μοντέλων. Σύμφωνα με αυτά που γνωρίζουμε, αυτή είναι η πρώτη συστηματική ανασκόπηση και μετα-ανάλυση που αξιολογεί κριτικά τον ρόλο της τεχνητής νοημοσύνης στην ανίχνευση, τμηματοποίηση και πρόβλεψη της μετεγχειρητικής BCVA της ERM σε διάφορες οφθαλμολογικές απεικονιστικές μεθόδους. Τα ευρήματά μας παρέχουν μια σαφή επισκόπηση των υφιστάμενων δεδομένων που στηρίζουν τη συνεχή ανάπτυξη και κλινική ενσωμάτωση εργαλείων τεχνητής νοημοσύνης για τη διάγνωση και διαχείριση της ERM.","Epiretinal membrane (ERM) is a common retinal pathology associated with progressive visual impairment, requiring timely and accurate assessment. Recent advances in artificial intelligence (AI) have enabled automated approaches for ERM detection, segmentation, and postoperative best corrected visual acuity (BCVA) prediction, offering promising avenues to enhance clinical efficiency and diagnostic precision. We conducted a comprehensive literature search across MEDLINE (via PubMed), Scopus, CENTRAL, ClinicalTrials.gov, and Google Scholar from the inception to 31 December 2023. A total of 42 studies were included in the systematic review, with 16 eligible for meta-analysis. Risk of bias and reporting quality were assessed using the QUADAS-2 and CLAIM tools. Meta-analysis of 16 studies (533,674 images) showed that deep learning (DL) models achieved high diagnostic accuracy (AUC = 0.97), with pooled sensitivity and specificity of 0.93 and 0.97, respectively. Optical coherence tomography (OCT)-based models outperformed fundus-based ones, and although performance remained high under external validation, the positive predictive value (PPV) declined—highlighting the importance of testing model generalizability. To the best of our knowledge, this is the first systematic review and meta-analysis to critically evaluate the role of AI in the detection, segmentation, and postoperative BCVA prediction of ERM across various ophthalmic imaging modalities. Our findings provide a clear overview of current evidence supporting the continued development and clinical adoption of AI tools for ERM diagnosis and management."]},{"key":"dc:title","label":"Title","values":["Investigating the role of artificial intelligence in the screening, classification, diagnosis and management of epiretinal membrane"]}]}],"canonical_facts":{"dc:creator":["Μήτρη Πετρούλα","Mitri Petroula"],"dc:date":["2026"],"dc:description":["Η επιαμφιβληστροειδική μεμβράνη (ERM) αποτελεί μια συχνή παθολογία του αμφιβληστροειδούς που σχετίζεται με προοδευτική μείωση της όρασης, απαιτώντας έγκαιρη και ακριβή εκτίμηση. Οι πρόσφατες εξελίξεις στην τεχνητή νοημοσύνη (AI) έχουν καταστήσει δυνατές αυτοματοποιημένες μεθόδους για την ανίχνευση, την τμηματοποίηση και την πρόβλεψη της μετεγχειρητικά καλύτερα διορθωμένης οπτικής οξύτητας (BCVA) της ERM, προσφέροντας υποσχόμενες προοπτικές για τη βελτίωση της κλινικής αποτελεσματικότητας και της διαγνωστικής ακρίβειας. Πραγματοποιήσαμε μια εκτενή αναζήτηση στη βιβλιογραφία στις βάσεις MEDLINE (μέσω PubMed), Scopus, CENTRAL, ClinicalTrials.gov και Google Scholar από την έναρξή τους έως τις 31 Δεκεμβρίου 2023. Συνολικά, 42 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 16 επιλέχθηκαν για μετα-ανάλυση. Ο κίνδυνος συστηματικού σφάλματος και η ποιότητα τεκμηρίωσης των δεδομένων αξιολογήθηκαν χρησιμοποιώντας τα εργαλεία QUADAS-2 και CLAIM. Η μετα-ανάλυση των 16 μελετών (533.674 εικόνες) έδειξε ότι τα μοντέλα Deep Learning (DL) πέτυχαν υψηλή διαγνωστική ακρίβεια (AUC = 0.97), με συνολική ευαισθησία και ειδικότητα 0.93 και 0.97, αντίστοιχα. Τα μοντέλα βασισμένα στην οπτική τομογραφία συνοχής (OCT) υπερείχαν εκείνων που βασίζονταν σε έγχρωμες φωτογραφίες βυθού, ενώ, παρά τη διατήρηση υψηλών επιπέδων απόδοσης σε εξωτερικές διαδικασίες επικύρωσης, η θετική προγνωστική αξία (PPV) παρουσίασε μείωση, γεγονός που υπογραμμίζει τη σημασία αξιολόγησης της γενικευσιμότητας των μοντέλων. Σύμφωνα με αυτά που γνωρίζουμε, αυτή είναι η πρώτη συστηματική ανασκόπηση και μετα-ανάλυση που αξιολογεί κριτικά τον ρόλο της τεχνητής νοημοσύνης στην ανίχνευση, τμηματοποίηση και πρόβλεψη της μετεγχειρητικής BCVA της ERM σε διάφορες οφθαλμολογικές απεικονιστικές μεθόδους. Τα ευρήματά μας παρέχουν μια σαφή επισκόπηση των υφιστάμενων δεδομένων που στηρίζουν τη συνεχή ανάπτυξη και κλινική ενσωμάτωση εργαλείων τεχνητής νοημοσύνης για τη διάγνωση και διαχείριση της ERM.","Epiretinal membrane (ERM) is a common retinal pathology associated with progressive visual impairment, requiring timely and accurate assessment. Recent advances in artificial intelligence (AI) have enabled automated approaches for ERM detection, segmentation, and postoperative best corrected visual acuity (BCVA) prediction, offering promising avenues to enhance clinical efficiency and diagnostic precision. We conducted a comprehensive literature search across MEDLINE (via PubMed), Scopus, CENTRAL, ClinicalTrials.gov, and Google Scholar from the inception to 31 December 2023. A total of 42 studies were included in the systematic review, with 16 eligible for meta-analysis. Risk of bias and reporting quality were assessed using the QUADAS-2 and CLAIM tools. Meta-analysis of 16 studies (533,674 images) showed that deep learning (DL) models achieved high diagnostic accuracy (AUC = 0.97), with pooled sensitivity and specificity of 0.93 and 0.97, respectively. Optical coherence tomography (OCT)-based models outperformed fundus-based ones, and although performance remained high under external validation, the positive predictive value (PPV) declined—highlighting the importance of testing model generalizability. To the best of our knowledge, this is the first systematic review and meta-analysis to critically evaluate the role of AI in the detection, segmentation, and postoperative BCVA prediction of ERM across various ophthalmic imaging modalities. Our findings provide a clear overview of current evidence supporting the continued development and clinical adoption of AI tools for ERM diagnosis and management."],"dc:identifier":["uoadl:5327616","https://pergamos.lib.uoa.gr/uoa/dl/object/5327616"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Investigating the role of artificial intelligence in the screening, classification, diagnosis and management of epiretinal membrane"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:44Z"}