Βελτιστοποιημένες τεχνικές μηχανικής όρασης με χρήση συνελικτικών νευρωνικών δικτύων

Abstract

This doctoral dissertation presents the development, implementation, and clinical evaluation of the Deep-in-Biopsies platform, a comprehensive system for automated histopathological image analysis using advanced deep learning techniques. The research focuses on addressing critical challenges in digital pathology, including diagnostic subjectivity, lack of integrated analysis tools, and the need for reliable, reproducible results. The primary contribution of this thesis is the creation of an innovative platform that unifies all phases of digital histopathology - from data annotation to training and evaluation of artificial intelligence models. The platform features a modular microservices architecture, dynamic management of multiple deep learning models, and flexible adaptation to different clinical scenarios. The research work includes the development and publication of five scientific papers in international conferences and journals, presenting experimental results across various tissue types (liver, kidney, intestine, breast). Specifically, methods were developed and evaluated for quantifying pancreatic steatosis, analyzing hepatic fibrosis, classifying renal tumors according to Fuhrman grading, and multi-organ cancer cell detection through the PanNuke dataset. Clinical validation across seven medical institutions demonstrated that the platform achieves diagnostic accuracy of 89-94% in various applications, reducing analysis time by 65% compared to traditional methods. The integration of explainable AI models and user-friendly interface facilitated acceptance by the medical community, with 87% of users reporting improved diagnostic confidence. The dissertation significantly contributes to advancing digital pathology by offering a practical, scalable, and clinically applicable solution that bridges the gap between research innovation and clinical practice.

Η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη, υλοποίηση και κλινική αξιολόγηση της πλατφόρμας Deep-in-Biopsies, ενός ολοκληρωμένου συστήματος για την αυτοματοποιημένη ανάλυση ιστοπαθολογικών εικόνων με χρήση προηγμένων τεχνικών βαθιάς μάθησης. Η έρευνα εστιάζει στην αντιμετώπιση των κρίσιμων προκλήσεων της ψηφιακής παθολογίας, συμπεριλαμβανομένης της υποκειμενικότητας στη διάγνωση, της έλλειψης ολοκληρωμένων εργαλείων ανάλυσης και της ανάγκης για αξιόπιστα, επαναλήψιμα αποτελέσματα. Η κύρια συνεισφορά της διατριβής είναι η δημιουργία μιας καινοτόμου πλατφόρμας που ενοποιεί όλες τις φάσεις της ψηφιακής ιστοπαθολογίας - από τη σημειοθέτηση δεδομένων έως την εκπαίδευση και αξιολόγηση μοντέλων τεχνητής νοημοσύνης. Η πλατφόρμα χαρακτηρίζεται από τμηματική αρχιτεκτονική μικρουπηρεσιών, δυναμική διαχείριση πολλαπλών μοντέλων βαθιάς μάθησης και ευέλικτη προσαρμογή σε διαφορετικά κλινικά σενάρια. Η ερευνητική εργασία περιλαμβάνει την ανάπτυξη και δημοσίευση πέντε επιστημονικών άρθρων σε διεθνή συνέδρια και περιοδικά, παρουσιάζοντας πειραματικά αποτελέσματα σε διάφορους τύπους ιστών (ήπαρ, νεφρός, έντερο, μαστός). Συγκεκριμένα, αναπτύχθηκαν και αξιολογήθηκαν μέθοδοι για την ποσοτικοποίηση παγκρεατικής στεάτωσης, την ανάλυση ηπατικής ίνωσης, την ταξινόμηση νεφρικών όγκων κατά Fuhrman, και την πολυοργανική ανίχνευση καρκινικών κυττάρων μέσω του συνόλου δεδομένων PanNuke. Η κλινική επικύρωση σε επτά ιατρικά ιδρύματα κατέδειξε ότι η πλατφόρμα επιτυγχάνει διαγνωστική ακρίβεια 89-94% σε διάφορες εφαρμογές, μειώνοντας τον χρόνο ανάλυσης κατά 65% σε σύγκριση με τις παραδοσιακές μεθόδους. Η ενσωμάτωση επεξηγήσιμων μοντέλων τεχνητής νοημοσύνης και η φιλική προς τον χρήστη διεπαφή διευκόλυναν την αποδοχή από την ιατρική κοινότητα, με το 87% των χρηστών να αναφέρουν βελτίωση στη διαγνωστική τους εμπιστοσύνη. Η διατριβή συνεισφέρει σημαντικά στην προώθηση της ψηφιακής παθολογίας, προσφέροντας μια πρακτική, επεκτάσιμη και κλινικά εφαρμόσιμη λύση που γεφυρώνει το χάσμα μεταξύ ερευνητικής καινοτομίας και κλινικής πράξη.