Page 19 - 4 DIATMHMATIKO - ABSTRACT BOOK_FINAL

OΡΓΑΝΩΣΗ
ΕΛΛΗΝΙΚΗ ΟΥΡΟΛΟΓΙΚΗ ΕΤΑΙΡΕΙΑ
ΠΑΝΕΛΛΗΝΙΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΣΥΝΕΔΡΙΟ
BΟΛΟΣ • ΣΥΝΕΔΡΙΑΚΌ ΚΕΝΤΡΌ ΘΕΣΣΑΛΙΑΣ, ΜΕΛΙΣΣΑΤΙΚΑ
19 4o ΠΑΝΕΛΛΗΝΙΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΣΥΝΕΔΡΙΟ ΤΗΣ ΕΛΛΗΝΙΚΗΣ ΟΥΡΟΛΟΓΙΚΗΣ ΕΤΑΙΡΕΙΑΣ
ΒΙΒΛΙΟ ΠΕΡΙΛΗΨΕΩΝ
25-27 Σεπτεμβρίου 2025
e - Posters
Σκοπός της μελέτης: Η τεχνητή νοημοσύνη (AI) περιλαμβάνει αλγορίθμους που προσομοιώνουν ανθρώπινες γνωστικές λειτουργίες, όπως η λήψη αποφάσεων και η επίλυση προβλημάτων. Το Machine Learning (ML) αποτελεί βασικό υποπεδίο της AI και βασίζεται στην ικανότητα των συστημάτων να "μαθαίνουν" από δεδομένα χωρίς ρητό προγραμματισμό. Το Deep Learning (DL), επιίσης υποπεδίο του ML, αξιοποιεί τεχνητά νευρωνικά δίκτυα για την επεξεργασία πολύπλοκων δεδομένων - ιδιαίτερα χρήσιμο στην ανάλυση ιατρικών εικόνων. Η παρούσα εργασία στοχεύει στην ανάδειξη των σύγχρονων εφαρμογών των τεχνολογιών αυτών στην απεικόνιση της ουρολιθίασης, με έμφαση στην αυτόματη ανίχνευση, την ποσοτικοποίηση, την πρόβλεψη σύστασης των λίθων και την υποστήριξη του θεραπευτικού σχεδιασμού. Παράλληλα, διερευνώνται οι δυνατότητες ένταξης αυτών των τεχνολογιών στην καθημερινή ουρολογική πρακτική στην Ελλάδα.
Υλικό και μέθοδος: Πραγματοποιήθηκε στοχευμένη ανασκόπηση της διεθνούς βιβλιογραφίας (2020–2024) μέσω των βάσεων PubMed και PubMed Central. Συμπεριλήφθηκαν 17 πρωτότυπες μελέτες που αξιολόγησαν την εφαμοργή των τεχνολογιών αυτών, στην απεικόνιση της ουρολιθίασης.
Αποτελέσματα: Μοντέλα βαθιάς μάθησης (DL) όπως τα VGG16 και 3D U-Net πέτυχαν ευαισθησία έως και 97,4% στον εντοπισμό λίθων σε CT και ακτινογραφία ΝΟΚ, μειώνοντας δραστικά τα ψευδώς θετικά ευρήματα. Η πλατφόρμα UrologiQ επέτρεψε αυτόματη μέτρηση μεγέθους και αριθμού λίθων σε χρόνο <15 δευτερολέπτων με ακρίβεια συγκρίσιμη με εξειδικευμένους ακτινολόγους. Συνελικτικά Νευρωνικά Δίκτυα (CNN) ταξινόμησαν με ακρίβεια έως 96% λίθους οξαλικού ασβεστίου, ουρικού οξέος και στρουβίτη, ενώ το XGBoost κατάφερε πρόβλεψη της σύστασης λοιμωδών λίθων βάσει απεικονιστικών χαρακτηριστικών, ενισχύοντας τη λήψη κλινικών αποφάσεων.
Συμπεράσματα: Η τεχνητή νοημοσύνη αναδεικνύεται ως πολύτιμο εργαλείο στην ουρολογική απεικόνιση, με δυνατότητα παροχής αξιόπιστης, επαναλήψιμης και ποσοτικοποιήσιμης πληροφορίας. Ενισχύει τη διαγνωστική ακρίβεια και συμβάλλει στον εξατομικευμένο σχεδιασμό θεραπείας στην ουρολιθίαση. Η περαιτέρω ενσωμάτωσή της στην κλινική πράξη απαιτεί επικύρωση μέσω πολυκεντρικών μελετών, ενώ η εφαρμογή της στην Ελλάδα —τόσο στον δημόσιο όσο και στον ιδιωτικό τομέα- είναι τεχνικά εφικτή και ενδεχομένως ιδιαίτερα χρήσιμη, ιδίως σε περιβάλλοντα με υψηλό φόρτο εξετάσεων ή περιορισμένη ακτινολογική διαθεσιμότητα.
PP21
Η ΑΠΕΙΚΟΝΙΣΗ ΤΗΣ ΟΥΡΟΛΙΘΙΑΣΗΣ ΣΤΗΝ ΕΠΟΧΗ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ: ΣΥΓΧΡΟΝΕΣ ΕΦΑΡΜΟΓΕΣ ΚΑΙ ΚΛΙΝΙΚΕΣ ΠΡΟΟΠΤΙΚΕΣ
Ηλίας Κανακάκης1, Λούης Γιάγκου1, Αθανάσιος Κοπανίδης1, Ιωάννης Δαμακούδης1,
Χρήστος Γιαννούλης1, Χρυσάφης Πιπιγκάκης1, Μαρίνος Μπερδεμπές1, Αριστείδης Ζαρογιάννος1, Βασίλειος Τζελέπης1
1417 ΝΙΜΤΣ