EUVIMEDEUVIMED entdecken
Crossref

Εφαρμογές της Τεχνητής Νοημοσύνης στην Παιδιατρική Ογκολογία: μία Συστηματική Ανασκόπηση

Δήμητρα Γ. Κοντοπύργου

Aristotle University of Thessaloniki · 01.01.2025

DOI: 10.26262/heal.auth.ir.370371 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2025. Verfasst von Δήμητρα Γ. Κοντοπύργου.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Οι παιδιατρικοί καρκίνοι αποτελούν σημαντική αιτία θνησιμότητας σε παιδιά και εφήβους. Η έγκαιρη και ακριβής διάγνωσή τους είναι κρίσιμη, ωστόσο οι συμβατικές διαγνωστικές μέθοδοι συχνά περιορίζονται από τον ανθρώπινο παράγοντα. Η τεχνητή νοημοσύνη (ΤΝ), και ειδικότερα η μηχανική και βαθιά μάθηση (ΒΜ), έχει αναδειχθεί ως ένα υποσχόμενο εργαλείο για τη βελτίωση της διαγνωστικής ακρίβειας. Σκοπός της παρούσας συστηματικής ανασκόπησης είναι η αξιολόγηση της διαγνωστικής απόδοσης, των εφαρμογών και των περιορισμών της ΤΝ στη διάγνωση παιδιατρικών αιματολογικών καρκίνων και συμπαγών κακοήθων όγκων. Ακολουθώντας τις κατευθυντήριες οδηγίες PRISMA 2020, πραγματοποιήθηκε αναζήτηση στις βάσεις δεδομένων PubMed, Embase, Scopus, Web of Science, καθώς και σε μεγάλα μητρώα κλινικών δοκιμών, για μελέτες που δημοσιεύτηκαν την περίοδο 2010-2024. Στις μελέτες που επιλέχθηκαν περιλαμβάνονταν όσες αξιολογούσαν προσεγγίσεις βασισμένες σε ΤΝ για την ανίχνευση, ταξινόμηση ή πρόγνωση παιδιατρικών καρκίνων, χρησιμοποιώντας απεικονιστικά, ιστοπαθολογικά, γενετικά ή κλινικά δεδομένα. Συλλέχθηκαν και αναλύθηκαν δεδομένα σχετικά με το σχεδιασμό της μελέτης, τον πληθυσμό των ασθενών, τα μοντέλα ΤΝ, τα δεδομένα εισόδου και τους δείκτες διαγνωστικής απόδοσης. Συνολικά 50 μελέτες πληρούσαν τα κριτήρια ένταξης, που αφορούσαν ποικίλες κακοήθειες, όπως λευχαιμίες και λεμφώματα, ενδοκρανιακούς και εξωκρανιακούς όγκους. Τα μοντέλα ΤΝ παρουσίασαν υψηλή διαγνωστική ακρίβεια στις αιματολογικές κακοήθειες, αν και υστέρησαν στην ακριβή διάγνωση των λεμφωμάτων. Αντίθετα, η ανάλυση των συμπαγών όγκων ανέδειξε χαμηλότερες επιδόσεις σε σχέση με τις αιματολογικές κακοήθειες, χωρίς όμως να διαπιστώνονται σημαντικές διαφορές μεταξύ ενδοκρανιακών και εξωκρανιακών όγκων. Η καλύτερη επίδοση της ΤΝ καταγράφηκε στο μυελοβλάστωμα, ενώ στο νευροβλάστωμα και το νεφροβλάστωμα δεν προέκυψαν στατιστικά σημαντικές διαφορές. Παρά τα ενθαρρυντικά αποτελέσματα, η ετερογένεια στο σχεδιασμό των μελετών, τα μικρά δείγματα, η έλλειψη εξωτερικής επικύρωσης και η περιορισμένη εκπροσώπηση από χώρες χαμηλού και μεσαίου εισοδήματος περιορίζουν τη γενικευσιμότητα. Η ΤΝ διαθέτει σημαντικές δυνατότητες για τη βελτίωση της διάγνωσης του παιδιατρικού καρκίνου, υποστηρίζοντας την έγκαιρη ανίχνευση. Ωστόσο, απαιτείται ισχυρή έρευνα με προοπτικό σχεδιασμό, αυστηρός έλεγχος των ηθικών ζητημάτων και πειραματική ενσωμάτωση στις κλινικές πρακτικές πριν από την ευρεία εφαρμογή. Μελλοντική έρευνα θα πρέπει να δώσει προτεραιότητα σε πολυκεντρικές μελέτες και στην ισότιμη πρόσβαση στην ΤΝ, ώστε να διασφαλιστεί η ασφαλής και αποτελεσματική ένταξή της στην κλινική πράξη.

Schlagwörter

pediatric cancer diagnosismachine learningdeep learningdiagnostic accuracydiagnostic imagingradiologypathologyhistopathologycomputer-aided diagnosisnatural language processing

Zitieren

APA

Κοντοπύργου, Δ. Γ. (2025). Εφαρμογές της Τεχνητής Νοημοσύνης στην Παιδιατρική Ογκολογία: μία Συστηματική Ανασκόπηση. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.370371

Vancouver

Κοντοπύργου ΔΓ. Εφαρμογές της Τεχνητής Νοημοσύνης στην Παιδιατρική Ογκολογία: μία Συστηματική Ανασκόπηση. Aristotle University of Thessaloniki. 2025. doi:10.26262/heal.auth.ir.370371

BibTeX
@article{2025,
  author = {Κοντοπύργου, Δήμητρα Γ.},
  title = {Εφαρμογές της Τεχνητής Νοημοσύνης στην Παιδιατρική Ογκολογία: μία Συστηματική Ανασκόπηση},
  journal = {Aristotle University of Thessaloniki},
  year = {2025},
  doi = {10.26262/heal.auth.ir.370371}
}
Kostenlos starten →