Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/40359Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Παπαμιχαήλ, Βασίλειος | el |
| dc.date.accessioned | 2026-09-10T06:55:52Z | - |
| dc.date.available | 2026-09-10T06:55:52Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/40359 | - |
| 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 | Ιατρική | el |
| dc.title | Εξηγήσιμη τεχνητή νοημοσύνη στην ιατρική: ενίσχυση της ανθρώπινης κρίσης στη λήψη κλονικών αποφάσεων | el |
| dc.type | bachelorThesis | - |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Τεχνητή νοημοσύνη | - |
| heal.classification | Ιατρικά δεδομένα | - |
| heal.language | el | - |
| heal.access | campus | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2026 | - |
| heal.abstract | Η Εξηγήσιμη Τεχνητή Νοημοσύνη (XAI) στην ιατρική έχει αναδειχθεί ως ένα κρίσιμο εργαλείο για την ενίσχυση της ανθρώπινης κρίσης κατά τη λήψη κλινικών αποφάσεων. Η τεχνολογία αυτή επιτρέπει στους επαγγελματίες υγείας να κατανοούν με σαφήνεια τις αιτιολογήσεις πίσω από τις προβλέψεις των αλγορίθμων, ενισχύοντας τη διαφάνεια, την εμπιστοσύνη και την ακρίβεια των αποφάσεων. Μέσα από την ανάλυση πολύπλοκων δεδομένων, όπως γενετικών προφίλ, εργαστηριακών εξετάσεων, ακτινολογικών εικόνων και ηλεκτρονικών φακέλων, τα XAI συστήματα υποστηρίζουν την εξατομικευμένη ιατρική, προάγοντας την ασφαλή και τεκμηριωμένη φροντίδα των ασθενών. Η XAI δεν περιορίζεται στη λήψη αποφάσεων, αλλά έχει επίσης ρόλο στην εκπαίδευση των επαγγελματιών υγείας, επιτρέποντας την αναγνώριση κλινικών μοτίβων και σχέσεων που δεν είναι εμφανή με παραδοσιακές μεθόδους. Παρά τα σημαντικά οφέλη, η εφαρμογή της συνοδεύεται από προκλήσεις, όπως η πολυπλοκότητα των μοντέλων, η ανάγκη εκπαίδευσης των χρηστών, η διαχείριση ηθικών και κανονιστικών ζητημάτων, η προστασία προσωπικών δεδομένων και η αποφυγή υπερβολικής εξάρτησης από τις αλγοριθμικές προτάσεις. Στο μέλλον, η XAI αναμένεται να εξελιχθεί περαιτέρω μέσω πολυτροπικής ανάλυσης δεδομένων, διαδραστικών και προσαρμοστικών εργαλείων, αιτιακής εξήγησης (causability) και εφαρμογών στην προληπτική και δημόσια υγεία. Η ισορροπία μεταξύ ανθρώπινης κρίσης και υπολογιστικής ισχύος θα καθορίσει την επιτυχία της στην κλινική πράξη, προσφέροντας πιο ασφαλείς, ακριβείς και εξατομικευμένες αποφάσεις, ενισχύοντας την ποιότητα της φροντίδας και την εμπιστοσύνη των ασθενών στο σύστημα υγείας. | el |
| heal.abstract | Explainable Artificial Intelligence (XAI) in medicine has emerged as a critical tool for enhancing human judgment in clinical decision-making. XAI enables healthcare professionals to clearly understand the reasoning behind algorithmic predictions, improving transparency, trust, and the accuracy of clinical decisions. By analyzing complex data such as genetic profiles, laboratory results, medical imaging, and electronic health records, XAI systems support personalized medicine, promoting safe and evidence-based patient care. Beyond decision support, XAI contributes to the education of healthcare professionals by revealing clinical patterns and relationships that may not be apparent through traditional methods. Despite its benefits, the implementation of XAI faces challenges, including model complexity, user training needs, ethical and regulatory compliance, data privacy concerns, and the risk of over-reliance on algorithmic recommendations. Future developments are expected to include multimodal data integration, interactive and adaptive XAI tools, causal explanations (causability), and applications in preventive and public health. Maintaining a balance between human judgment and computational power will be key to XAI’s success in clinical practice, enabling safer, more accurate, and personalized decisions while enhancing the quality of care and patient trust in the healthcare system. | en |
| heal.advisorName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Δημόπουλος, Δημήτριος | el |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.fullTextAvailability | false | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
There are no files associated with this item.
This item is licensed under a Creative Commons License
