Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/40322Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Καβούκης, Δημήτριος | el |
| dc.contributor.author | Kavoukis, Dimitrios | en |
| dc.date.accessioned | 2026-08-27T07:13:31Z | - |
| dc.date.available | 2026-08-27T07:13:31Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/40322 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Τεχνητή νοημοσύνη | el |
| dc.subject | Πρώιμη ανίχνευση | el |
| dc.subject | Λογοθεραπευτική αξιολόγηση | el |
| dc.subject | Artificial intelligence | en |
| dc.subject | Early detection | en |
| dc.subject | Speech language assessment | en |
| dc.title | Αυτόματη ανάλυση προσώπου στην πρώιμη ανίχνευση και την αξιολόγηση παιδιών με ΔΑΦ: συστηματική ανασκόπηση. | el |
| dc.title | Automatic facial analysis in the early detection and assessment of children with ASD: a systematic review | en |
| heal.type | bachelorThesis | el |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Διαταραχή αυτιστικού φάσματος (ΔΑΦ) | el |
| heal.classification | Ανάλυση αναγνώρισης προσώπου | el |
| heal.classification | Autism spectrum disorder (ASD) | en |
| heal.classification | Facial recognition analysis | en |
| heal.dateAvailable | 2026-08-27T07:14:31Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Επιστημών Υγείας | el |
| heal.publicationDate | 2026-06 | - |
| heal.abstract | Η Διαταραχή Αυτιστικού Φάσματος (ΔΑΦ) αποτελεί μία σύνθετη νευροαναπτυξιακή διαταραχή, η οποία χαρακτηρίζεται από επίμονες δυσκολίες στην κοινωνική επικοινωνία και αλληλεπίδραση, καθώς και από περιορισμένα και επαναλαμβανόμενα πρότυπα συμπεριφοράς, ενδιαφερόντων και δραστηριοτήτων. Η έγκαιρη αναγνώριση των χαρακτηριστικών της διαταραχής και η άμεση εφαρμογή κατάλληλων θεραπευτικών παρεμβάσεων συνδέονται με σημαντικά καλύτερη αναπτυξιακή πορεία και βελτιωμένη λειτουργικότητα των παιδιών. Παρά τη σημαντική πρόοδο που έχει σημειωθεί στη διαγνωστική διαδικασία, οι συμβατικές μέθοδοι αξιολόγησης εξακολουθούν να βασίζονται κυρίως στην κλινική παρατήρηση και στη χρήση σταθμισμένων εργαλείων, γεγονός που συνεπάγεται αυξημένες απαιτήσεις σε χρόνο και εξειδίκευση, ενώ ενδέχεται να επηρεάζει την αντικειμενικότητα της αξιολόγησης. Σκοπός της παρούσας συστηματικής ανασκόπησης είναι η διερεύνηση της συμβολής της αυτόματης ανάλυσης προσώπου (Automated Facial Analysis) και των τεχνολογιών τεχνητής νοημοσύνης στην πρώιμη ανίχνευση και αξιολόγηση παιδιών με Διαταραχή Αυτιστικού Φάσματος. Επιπλέον, εξετάζεται ο τρόπος με τον οποίο οι τεχνικές υπολογιστικής όρασης και μηχανικής μάθησης μπορούν να υποστηρίξουν τη λογοθεραπευτική αξιολόγηση, παρέχοντας αντικειμενικά, ποσοτικά και αναπαραγώγιμα δεδομένα σχετικά με την κοινωνική επικοινωνία, τις εκφράσεις του προσώπου και τη μη λεκτική συμπεριφορά. Η ανασκόπηση πραγματοποιήθηκε σύμφωνα με τις κατευθυντήριες οδηγίες PRISMA 2020. Η βιβλιογραφική αναζήτηση διεξήχθη στις ηλεκτρονικές βάσεις δεδομένων PubMed, Scopus και ScienceDirect, καλύπτοντας τη χρονική περίοδο από το 2015 έως το 2026. Μετά την εφαρμογή προκαθορισμένων κριτηρίων ένταξης και αποκλεισμού, συμπεριλήφθηκαν οι μελέτες που πληρούσαν τις προϋποθέσεις της έρευνας και αξιολογήθηκαν ως προς τα χαρακτηριστικά των δειγμάτων, τις τεχνολογίες που χρησιμοποιήθηκαν, τη διαγνωστική τους απόδοση, τις δυνατότητες κλινικής εφαρμογής και τους περιορισμούς τους. Η σύνθεση των διαθέσιμων ερευνητικών δεδομένων καταδεικνύει ότι η αυτόματη ανάλυση προσώπου, σε συνδυασμό με σύγχρονες τεχνικές υπολογιστικής όρασης, βαθιάς μάθησης και μηχανικής μάθησης, παρουσιάζει ενθαρρυντική διαγνωστική ακρίβεια στην αναγνώριση μορφολογικών χαρακτηριστικών, προτύπων βλέμματος και εκφράσεων που σχετίζονται με τη ΔΑΦ. Παράλληλα, οι τεχνολογίες αυτές συμβάλλουν στην ανάπτυξη αξιόπιστων ψηφιακών βιοδεικτών, οι οποίοι μπορούν να ενισχύσουν την αντικειμενικότητα της κλινικής αξιολόγησης, να υποστηρίξουν τη λήψη κλινικών αποφάσεων και να διευκολύνουν τον σχεδιασμό εξατομικευμένων προγραμμάτων πρώιμης παρέμβασης. Παρά τα ενθαρρυντικά αποτελέσματα, εξακολουθούν να υπάρχουν σημαντικές προκλήσεις που σχετίζονται με τη διαθεσιμότητα μεγάλων και αντιπροσωπευτικών συνόλων δεδομένων, τη γενικευσιμότητα των αλγορίθμων σε διαφορετικούς πληθυσμούς, την ερμηνευσιμότητα των μοντέλων τεχνητής νοημοσύνης, καθώς και με ζητήματα προστασίας προσωπικών δεδομένων, ηθικής χρήσης και κλινικής αξιοπιστίας. Συμπερασματικά, η αυτόματη ανάλυση προσώπου αναδεικνύεται ως μία υποσχόμενη, αντικειμενική και μη επεμβατική τεχνολογία, η οποία μπορεί να λειτουργήσει συμπληρωματικά προς τις καθιερωμένες κλινικές μεθόδους αξιολόγησης. Η αξιοποίησή της δύναται να συμβάλει στην έγκαιρη αναγνώριση της Διαταραχής Αυτιστικού Φάσματος, στη βελτίωση της διαγνωστικής ακρίβειας και στην αποτελεσματικότερη υποστήριξη του λογοθεραπευτικού σχεδιασμού και της πρώιμης παρέμβασης. | el |
| heal.abstract | Autism Spectrum Disorder (ASD) is a complex neurodevelopmental disorder characterized by persistent difficulties in social communication and interaction, as well as restricted and repetitive patterns of behavior, interests, and activities. Early identification of the characteristics of the disorder and the timely implementation of appropriate therapeutic interventions are associated with significantly better developmental outcomes and improved functioning in children. Despite the considerable progress that has been made in the diagnostic process, conventional assessment methods continue to rely mainly on clinical observation and the use of standardized tools. This requires substantial time and specialized expertise and may also affect the objectivity of the assessment. The aim of the present systematic review is to investigate the contribution of Automated Facial Analysis and artificial intelligence technologies to the early detection and assessment of children with Autism Spectrum Disorder. In addition, the review examines how computer vision and machine learning techniques can support speech and language therapy assessment by providing objective, quantitative, and reproducible data related to social communication, facial expressions, and non-verbal behavior. The review was conducted in accordance with the PRISMA 2020 guidelines. The literature search was carried out in the electronic databases PubMed, Scopus, and ScienceDirect, covering the period from 2015 to 2026. Following the application of predefined inclusion and exclusion criteria, the studies that met the eligibility criteria were included and evaluated in terms of sample characteristics, technologies used, diagnostic performance, potential for clinical application, and limitations. The synthesis of the available research evidence indicates that Automated Facial Analysis, in combination with modern computer vision, deep learning, and machine learning techniques, demonstrates promising diagnostic accuracy in identifying morphological features, gaze patterns, and facial expressions associated with ASD. At the same time, these technologies contribute to the development of reliable digital biomarkers, which can enhance the objectivity of clinical assessment, support clinical decision-making, and facilitate the design of individualized early intervention programs. Despite these highly encouraging findings, important challenges remain regarding the availability of large and representative datasets, the generalizability of algorithms across different populations, the interpretability of artificial intelligence models, as well as issues related to personal data protection, ethical use, and clinical reliability. In conclusion, Automated Facial Analysis emerges as a highly promising, objective, and non-invasive technology that can complement established clinical assessment methods. Its use may contribute to the early identification of Autism Spectrum Disorder, the improvement of diagnostic accuracy, and the more effective support of speech and language therapy planning and early intervention. | en |
| heal.advisorName | Τόκη, Ευγενία | el |
| heal.committeeMemberName | Ζακοπούλου, Βικτωρία | el |
| heal.committeeMemberName | Τόκη, Ευγενία | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Επιστημών Υγείας. Τμήμα Λογοθεραπείας | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 89 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διπλωμαντικές Εργασίες Προπτυχιακών Φοιτητών | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΠΤΥΧΙΑΚΗ ΚΑΒΟΥΚΗΣ Μ. ΔΗΜΗΤΡΙΟΣ.pdf | 946.61 kB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
