{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5359458"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5359458","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"The pioneering detection and classification: the integral role of artificial intelligence models in retinal detachment diagnostics","abstract":"Η παρούσα μελέτη αποσκοπεί στην αξιολόγηση της διαγνωστικής απόδοσης και της εφαρμογής μοντέλων μηχανικής μάθησης (machine learning, ML) και βαθιάς μάθησης (deep learning, DL) στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, μέσω διαφορετικών απεικονιστικών μεθόδων. Η αποκόλληση αμφιβληστροειδούς αποτελεί μια απειλητική για την όραση οφθαλμολογική πάθηση, η έγκαιρη και ακριβής διάγνωση της οποίας είναι καθοριστικής σημασίας, ιδιαίτερα σε μον΄άδες υγείας που διαχειρίζονται υψηλό όγκο περιστατικών. Τα μοντέλα τεχνητής νοημοσύνης έχουν επιδείξει ενθαρρυντικά αποτελέσματα στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδούς. Η παρούσα συστηματική ανασκόπηση και μετα-ανάλυση αξιολογεί την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, καθώς και τους πιθανούς περιορισμο΄ύς της εφαρμογής τους. Πραγματοποιήθηκε εκτενής ηλεκτρονική αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP) και Google Scholar τον Μάρτιο του 2024. Δύο ανεξάρτητοι αξιολογητές πραγματοποίησαν τον έλεγχο και την επιλογή μελετών που αξιολογούσαν μοντέλα μηχανικής και βαθιάς μάθησης για την διάγνωση της αποκόλλησης αμφιβληστροειδούς με χρήση διαφόρων απεικονιστικών μεθόδων. Πραγματοποιήθηκαν ποιοτικές και ποσοτικές συνθέσεις. Χρησιμοποιήθηκε διμεταβλητό μοντέλο τυχαίων επιδράσεων (bivariate random-effects model) για τον υπολογισμό της συγκεντρωτικής ευαισθησίας και της ειδικότητας, ενώ εφαρμόστηκε μοντέλο τυχαίων επιδράσεων αντίστροφης διακύμανσης (random effects inverse-variance model) για τον υπολογισμό του διαγνωστικού λόγου πιθανοτήτων (diagnostic odds ratio). Διεξήχθηκαν, επίσης, αναλύσεις υποομάδων βάσει της απεικονιστικής μεθόδου και της χρήσης ή μη εξωτερικών δεδομένων επικύρωσης (external validation). Η εκτίμηση του κινδύνου μεροληψίας (risk of bias) αξιολογήθηκε με τα εργαλεία QUADAS-2 και CLAIM. Συνολικά, 37 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 20 (334.633 εικόνες) ήταν επιλέξιμες για μετα-ανάλυση. Η συνολική ευαισθησία υπολογίστηκε 0,92 (95% ΔΕ: 0,86–0,95) και η ειδικότητα 0,97 (95% ΔΕ: 0,95–0,99), με μέτρια ετερογένεια μεταξύ των μελετών. Η συνολική θετική προγνωστική αξία και η αρνητική προγνωστική αξία ήταν 0,84 (95% ΔΕ: 0,67–0,94) και 0,98 (95% ΔΕ: 0,97–1,00), αντίστοιχα. Αναφορικά με τη συνοπτική καμπύλη λειτουργικού χαρακτηριστικού δέκτη (Summary Receiver Operating Characteristic curve, SROC curve), το εμβαδόν της περιοχής κάτω από την καμπύλη (Area Under Curve, AUC), καθώς και το κανονικοποιημένο μερικό εμβαδόν κάτω από την καμπύλη (pAUC) βρέθηκαν ίσα με 0,980 και 0,956, αντίστοιχα. Ο συνολικός διαγνωστικός λόγος πιθανοτήτων ήταν 510,2 (95% ΔΕ: 178,4–1459,6). Εξ όσων γνωρίζουμε, πρόκειται για την πρώτη μελέτη που συνθέτει τόσο ποιοτικά όσο και ποσοτικά δεδομένα σχετικά με την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδο΄ύς. Τα μοντέλα τεχνητής νοημοσύνης επιδεικνύουν εξαιρετική διαγνωστική ακρίβεια. Ωστόσο, η περιορισμένη χρήση δεδομένων εξωτερικής επικύρωσης περιορίζει τη γενικευσιμότητα και την εφαρμογή τους στην καθημέρα κλινική πράξη.","abstract_html":"Η παρούσα μελέτη αποσκοπεί στην αξιολόγηση της διαγνωστικής απόδοσης και της εφαρμογής μοντέλων μηχανικής μάθησης (machine learning, ML) και βαθιάς μάθησης (deep learning, DL) στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, μέσω διαφορετικών απεικονιστικών μεθόδων. Η αποκόλληση αμφιβληστροειδούς αποτελεί μια απειλητική για την όραση οφθαλμολογική πάθηση, η έγκαιρη και ακριβής διάγνωση της οποίας είναι καθοριστικής σημασίας, ιδιαίτερα σε μον΄άδες υγείας που διαχειρίζονται υψηλό όγκο περιστατικών. Τα μοντέλα τεχνητής νοημοσύνης έχουν επιδείξει ενθαρρυντικά αποτελέσματα στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδούς. Η παρούσα συστηματική ανασκόπηση και μετα-ανάλυση αξιολογεί την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, καθώς και τους πιθανούς περιορισμο΄ύς της εφαρμογής τους. Πραγματοποιήθηκε εκτενής ηλεκτρονική αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP) και Google Scholar τον Μάρτιο του 2024. Δύο ανεξάρτητοι αξιολογητές πραγματοποίησαν τον έλεγχο και την επιλογή μελετών που αξιολογούσαν μοντέλα μηχανικής και βαθιάς μάθησης για την διάγνωση της αποκόλλησης αμφιβληστροειδούς με χρήση διαφόρων απεικονιστικών μεθόδων. Πραγματοποιήθηκαν ποιοτικές και ποσοτικές συνθέσεις. Χρησιμοποιήθηκε διμεταβλητό μοντέλο τυχαίων επιδράσεων (bivariate random-effects model) για τον υπολογισμό της συγκεντρωτικής ευαισθησίας και της ειδικότητας, ενώ εφαρμόστηκε μοντέλο τυχαίων επιδράσεων αντίστροφης διακύμανσης (random effects inverse-variance model) για τον υπολογισμό του διαγνωστικού λόγου πιθανοτήτων (diagnostic odds ratio). Διεξήχθηκαν, επίσης, αναλύσεις υποομάδων βάσει της απεικονιστικής μεθόδου και της χρήσης ή μη εξωτερικών δεδομένων επικύρωσης (external validation). Η εκτίμηση του κινδύνου μεροληψίας (risk of bias) αξιολογήθηκε με τα εργαλεία QUADAS-2 και CLAIM. Συνολικά, 37 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 20 (334.633 εικόνες) ήταν επιλέξιμες για μετα-ανάλυση. Η συνολική ευαισθησία υπολογίστηκε 0,92 (95% ΔΕ: 0,86–0,95) και η ειδικότητα 0,97 (95% ΔΕ: 0,95–0,99), με μέτρια ετερογένεια μεταξύ των μελετών. Η συνολική θετική προγνωστική αξία και η αρνητική προγνωστική αξία ήταν 0,84 (95% ΔΕ: 0,67–0,94) και 0,98 (95% ΔΕ: 0,97–1,00), αντίστοιχα. Αναφορικά με τη συνοπτική καμπύλη λειτουργικού χαρακτηριστικού δέκτη (Summary Receiver Operating Characteristic curve, SROC curve), το εμβαδόν της περιοχής κάτω από την καμπύλη (Area Under Curve, AUC), καθώς και το κανονικοποιημένο μερικό εμβαδόν κάτω από την καμπύλη (pAUC) βρέθηκαν ίσα με 0,980 και 0,956, αντίστοιχα. Ο συνολικός διαγνωστικός λόγος πιθανοτήτων ήταν 510,2 (95% ΔΕ: 178,4–1459,6). Εξ όσων γνωρίζουμε, πρόκειται για την πρώτη μελέτη που συνθέτει τόσο ποιοτικά όσο και ποσοτικά δεδομένα σχετικά με την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδο΄ύς. Τα μοντέλα τεχνητής νοημοσύνης επιδεικνύουν εξαιρετική διαγνωστική ακρίβεια. Ωστόσο, η περιορισμένη χρήση δεδομένων εξωτερικής επικύρωσης περιορίζει τη γενικευσιμότητα και την εφαρμογή τους στην καθημέρα κλινική πράξη.","abstract_has_math":false,"creators":["Μητσοπούλου Δήμητρα","Mitsopoulou Dimitra"],"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":"2026-07-24T01:01:51Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5359458"],"render_values":[{"text":"uoadl:5359458","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5359458","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μητσοπούλου Δήμητρα","Mitsopoulou Dimitra"]}]},{"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:5359458","https://pergamos.lib.uoa.gr/uoa/dl/object/5359458"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα μελέτη αποσκοπεί στην αξιολόγηση της διαγνωστικής απόδοσης και της εφαρμογής μοντέλων μηχανικής μάθησης (machine learning, ML) και βαθιάς μάθησης (deep learning, DL) στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, μέσω διαφορετικών απεικονιστικών μεθόδων. Η αποκόλληση αμφιβληστροειδούς αποτελεί μια απειλητική για την όραση οφθαλμολογική πάθηση, η έγκαιρη και ακριβής διάγνωση της οποίας είναι καθοριστικής σημασίας, ιδιαίτερα σε μον΄άδες υγείας που διαχειρίζονται υψηλό όγκο περιστατικών. Τα μοντέλα τεχνητής νοημοσύνης έχουν επιδείξει ενθαρρυντικά αποτελέσματα στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδούς. Η παρούσα συστηματική ανασκόπηση και μετα-ανάλυση αξιολογεί την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, καθώς και τους πιθανούς περιορισμο΄ύς της εφαρμογής τους. Πραγματοποιήθηκε εκτενής ηλεκτρονική αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP) και Google Scholar τον Μάρτιο του 2024. Δύο ανεξάρτητοι αξιολογητές πραγματοποίησαν τον έλεγχο και την επιλογή μελετών που αξιολογούσαν μοντέλα μηχανικής και βαθιάς μάθησης για την διάγνωση της αποκόλλησης αμφιβληστροειδούς με χρήση διαφόρων απεικονιστικών μεθόδων. Πραγματοποιήθηκαν ποιοτικές και ποσοτικές συνθέσεις. Χρησιμοποιήθηκε διμεταβλητό μοντέλο τυχαίων επιδράσεων (bivariate random-effects model) για τον υπολογισμό της συγκεντρωτικής ευαισθησίας και της ειδικότητας, ενώ εφαρμόστηκε μοντέλο τυχαίων επιδράσεων αντίστροφης διακύμανσης (random effects inverse-variance model) για τον υπολογισμό του διαγνωστικού λόγου πιθανοτήτων (diagnostic odds ratio). Διεξήχθηκαν, επίσης, αναλύσεις υποομάδων βάσει της απεικονιστικής μεθόδου και της χρήσης ή μη εξωτερικών δεδομένων επικύρωσης (external validation). Η εκτίμηση του κινδύνου μεροληψίας (risk of bias) αξιολογήθηκε με τα εργαλεία QUADAS-2 και CLAIM. Συνολικά, 37 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 20 (334.633 εικόνες) ήταν επιλέξιμες για μετα-ανάλυση. Η συνολική ευαισθησία υπολογίστηκε 0,92 (95% ΔΕ: 0,86–0,95) και η ειδικότητα 0,97 (95% ΔΕ: 0,95–0,99), με μέτρια ετερογένεια μεταξύ των μελετών. Η συνολική θετική προγνωστική αξία και η αρνητική προγνωστική αξία ήταν 0,84 (95% ΔΕ: 0,67–0,94) και 0,98 (95% ΔΕ: 0,97–1,00), αντίστοιχα. Αναφορικά με τη συνοπτική καμπύλη λειτουργικού χαρακτηριστικού δέκτη (Summary Receiver Operating Characteristic curve, SROC curve), το εμβαδόν της περιοχής κάτω από την καμπύλη (Area Under Curve, AUC), καθώς και το κανονικοποιημένο μερικό εμβαδόν κάτω από την καμπύλη (pAUC) βρέθηκαν ίσα με 0,980 και 0,956, αντίστοιχα. Ο συνολικός διαγνωστικός λόγος πιθανοτήτων ήταν 510,2 (95% ΔΕ: 178,4–1459,6). Εξ όσων γνωρίζουμε, πρόκειται για την πρώτη μελέτη που συνθέτει τόσο ποιοτικά όσο και ποσοτικά δεδομένα σχετικά με την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδο΄ύς. Τα μοντέλα τεχνητής νοημοσύνης επιδεικνύουν εξαιρετική διαγνωστική ακρίβεια. Ωστόσο, η περιορισμένη χρήση δεδομένων εξωτερικής επικύρωσης περιορίζει τη γενικευσιμότητα και την εφαρμογή τους στην καθημέρα κλινική πράξη.","To evaluate the diagnostic performance and implementation of machine learning (ML) and deep learning (DL) models for retinal detachment (RD) diagnostics across different imaging modalities. RD is a vision-threatening condition, and prompt and accurate diagnosis is crucial, especially in high-volume centers and busy ophthalmology departments. Artificial intelligence (AI) models have shown promising results in diagnostics and screening tasks. This systematic review and meta-analysis evaluates the performance of AI models in RD diagnostics, while identifying limitations of their application. A comprehensive electronic search of PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP), and Google Scholar was conducted in March 2024. Two independent reviewers screened and selected studies evaluating ML and DL models for RD detection using any imaging modality. Qualitative and quantitative syntheses were performed. A bivariate random-effects model was used to pool sensitivity and specificity, and a random effects inverse-variance model was applied for diagnostic odds ratio (DOR). Subgroup analyses were performed according to imaging modality and use of external validation. Risk of bias was assessed using the QUADAS-2 and CLAIM tools. Thirty-seven studies were included in the systematic review, of which twenty (334,633 images) were eligible for meta-analysis. The pooled sensitivity was 0.92 (95% CI: 0.86–0.95) and specificity was 0.97 (95% CI: 0.95–0.99), with moderate between-study heterogeneity. The pooled positive predictive value (PPV) and negative predictive values (NPV) were 0.84 (95% CI: 0.67–0.94) and 0.98 (95% CI: 0.97–1.00), respectively. The SROC curve yielded an AUC of 0.980 and a normalized pAUC of 0.956, while the pooled diagnostic odds ratio (DOR) was 510.2 (95% CI: 178.4–1459.6). To the best of our knowledge, this is the first study to synthesize both qualitative and quantitative evidence on the performance of ML and DL models for RD diagnostics while assessing heterogeneity. Artificial Intelligence (AI) systems demonstrate excellent diagnostic accuracy, but limited external validation constrains their generalizability and real-world implementation."]},{"key":"dc:title","label":"Title","values":["The pioneering detection and classification: the integral role of artificial intelligence models in retinal detachment diagnostics"]}]}],"canonical_facts":{"dc:creator":["Μητσοπούλου Δήμητρα","Mitsopoulou Dimitra"],"dc:date":["2026"],"dc:description":["Η παρούσα μελέτη αποσκοπεί στην αξιολόγηση της διαγνωστικής απόδοσης και της εφαρμογής μοντέλων μηχανικής μάθησης (machine learning, ML) και βαθιάς μάθησης (deep learning, DL) στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, μέσω διαφορετικών απεικονιστικών μεθόδων. Η αποκόλληση αμφιβληστροειδούς αποτελεί μια απειλητική για την όραση οφθαλμολογική πάθηση, η έγκαιρη και ακριβής διάγνωση της οποίας είναι καθοριστικής σημασίας, ιδιαίτερα σε μον΄άδες υγείας που διαχειρίζονται υψηλό όγκο περιστατικών. Τα μοντέλα τεχνητής νοημοσύνης έχουν επιδείξει ενθαρρυντικά αποτελέσματα στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδούς. Η παρούσα συστηματική ανασκόπηση και μετα-ανάλυση αξιολογεί την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διάγνωση της αποκόλλησης αμφιβληστροειδούς, καθώς και τους πιθανούς περιορισμο΄ύς της εφαρμογής τους. Πραγματοποιήθηκε εκτενής ηλεκτρονική αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP) και Google Scholar τον Μάρτιο του 2024. Δύο ανεξάρτητοι αξιολογητές πραγματοποίησαν τον έλεγχο και την επιλογή μελετών που αξιολογούσαν μοντέλα μηχανικής και βαθιάς μάθησης για την διάγνωση της αποκόλλησης αμφιβληστροειδούς με χρήση διαφόρων απεικονιστικών μεθόδων. Πραγματοποιήθηκαν ποιοτικές και ποσοτικές συνθέσεις. Χρησιμοποιήθηκε διμεταβλητό μοντέλο τυχαίων επιδράσεων (bivariate random-effects model) για τον υπολογισμό της συγκεντρωτικής ευαισθησίας και της ειδικότητας, ενώ εφαρμόστηκε μοντέλο τυχαίων επιδράσεων αντίστροφης διακύμανσης (random effects inverse-variance model) για τον υπολογισμό του διαγνωστικού λόγου πιθανοτήτων (diagnostic odds ratio). Διεξήχθηκαν, επίσης, αναλύσεις υποομάδων βάσει της απεικονιστικής μεθόδου και της χρήσης ή μη εξωτερικών δεδομένων επικύρωσης (external validation). Η εκτίμηση του κινδύνου μεροληψίας (risk of bias) αξιολογήθηκε με τα εργαλεία QUADAS-2 και CLAIM. Συνολικά, 37 μελέτες συμπεριλήφθηκαν στη συστηματική ανασκόπηση, εκ των οποίων οι 20 (334.633 εικόνες) ήταν επιλέξιμες για μετα-ανάλυση. Η συνολική ευαισθησία υπολογίστηκε 0,92 (95% ΔΕ: 0,86–0,95) και η ειδικότητα 0,97 (95% ΔΕ: 0,95–0,99), με μέτρια ετερογένεια μεταξύ των μελετών. Η συνολική θετική προγνωστική αξία και η αρνητική προγνωστική αξία ήταν 0,84 (95% ΔΕ: 0,67–0,94) και 0,98 (95% ΔΕ: 0,97–1,00), αντίστοιχα. Αναφορικά με τη συνοπτική καμπύλη λειτουργικού χαρακτηριστικού δέκτη (Summary Receiver Operating Characteristic curve, SROC curve), το εμβαδόν της περιοχής κάτω από την καμπύλη (Area Under Curve, AUC), καθώς και το κανονικοποιημένο μερικό εμβαδόν κάτω από την καμπύλη (pAUC) βρέθηκαν ίσα με 0,980 και 0,956, αντίστοιχα. Ο συνολικός διαγνωστικός λόγος πιθανοτήτων ήταν 510,2 (95% ΔΕ: 178,4–1459,6). Εξ όσων γνωρίζουμε, πρόκειται για την πρώτη μελέτη που συνθέτει τόσο ποιοτικά όσο και ποσοτικά δεδομένα σχετικά με την απόδοση των μοντέλων τεχνητής νοημοσύνης στη διαγνωστική προσέγγιση της αποκόλλησης αμφιβληστροειδο΄ύς. Τα μοντέλα τεχνητής νοημοσύνης επιδεικνύουν εξαιρετική διαγνωστική ακρίβεια. Ωστόσο, η περιορισμένη χρήση δεδομένων εξωτερικής επικύρωσης περιορίζει τη γενικευσιμότητα και την εφαρμογή τους στην καθημέρα κλινική πράξη.","To evaluate the diagnostic performance and implementation of machine learning (ML) and deep learning (DL) models for retinal detachment (RD) diagnostics across different imaging modalities. RD is a vision-threatening condition, and prompt and accurate diagnosis is crucial, especially in high-volume centers and busy ophthalmology departments. Artificial intelligence (AI) models have shown promising results in diagnostics and screening tasks. This systematic review and meta-analysis evaluates the performance of AI models in RD diagnostics, while identifying limitations of their application. A comprehensive electronic search of PubMed, Scopus, Cochrane Central Register of Controlled Trials (CENTRAL), ClinicalTrials.gov, WHO International Clinical Trials Registry Platform (ICTRP), and Google Scholar was conducted in March 2024. Two independent reviewers screened and selected studies evaluating ML and DL models for RD detection using any imaging modality. Qualitative and quantitative syntheses were performed. A bivariate random-effects model was used to pool sensitivity and specificity, and a random effects inverse-variance model was applied for diagnostic odds ratio (DOR). Subgroup analyses were performed according to imaging modality and use of external validation. Risk of bias was assessed using the QUADAS-2 and CLAIM tools. Thirty-seven studies were included in the systematic review, of which twenty (334,633 images) were eligible for meta-analysis. The pooled sensitivity was 0.92 (95% CI: 0.86–0.95) and specificity was 0.97 (95% CI: 0.95–0.99), with moderate between-study heterogeneity. The pooled positive predictive value (PPV) and negative predictive values (NPV) were 0.84 (95% CI: 0.67–0.94) and 0.98 (95% CI: 0.97–1.00), respectively. The SROC curve yielded an AUC of 0.980 and a normalized pAUC of 0.956, while the pooled diagnostic odds ratio (DOR) was 510.2 (95% CI: 178.4–1459.6). To the best of our knowledge, this is the first study to synthesize both qualitative and quantitative evidence on the performance of ML and DL models for RD diagnostics while assessing heterogeneity. Artificial Intelligence (AI) systems demonstrate excellent diagnostic accuracy, but limited external validation constrains their generalizability and real-world implementation."],"dc:identifier":["uoadl:5359458","https://pergamos.lib.uoa.gr/uoa/dl/object/5359458"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["The pioneering detection and classification: the integral role of artificial intelligence models in retinal detachment diagnostics"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:01:51Z"}