Εισαγωγή: Η ενσωμάτωση της τεχνητής νοημοσύνης στην ιατρική απεικόνιση
δημιουργεί δυνατότητες και προκλήσεις, καθιστώντας κρίσιμη τη διερεύνηση στάσεων
τεχνολόγων και ιατρών ακτινολόγων για την ασφαλή και ανθρωποκεντρική αξιοποίησή
της.
Σκοπός: Η μελέτη διερευνά απόψεις Ελλήνων τεχνολόγων και ιατρών ακτινολόγων
για την εφαρμογή τεχνητής νοημοσύνης στην ιατρική απεικόνιση, αναδεικνύοντας
προοπτικές και ανησυχίες.
Μέθοδος: Εφαρμόστηκε δειγματοληψία ευκολίας. Το ερωτηματολόγιο διανεμήθηκε
σε δεκαπέντε (15) δημόσια νοσοκομεία, πέντε (5) Υγειονομικών Περιφερειών και δύο
(2) ιδιωτικούς ομίλους, μεταξύ Νοεμβρίου 2024 και Απριλίου 2025. Συμπληρώθηκαν
εκατόν εξήντα επτά 167 ερωτηματολόγια. Ο δείκτης Cronbach’s Alpha επιβεβαίωσε
την αξιοπιστία των ενοτήτων: Β (0,692), Γ (0,648), Δ (0,735), Ε (0,589). Η ανάλυση
έγινε με περιγραφική και επαγωγική στατιστική μέσω SPSS.
Αποτελέσματα: Αναδείχθηκε θετική στάση απέναντι στην εφαρμογή τεχνητής
νοημοσύνης στην ιατρική απεικόνιση. Οι άνδρες συμφώνησαν περισσότερο με τη
θετική της επίδραση (p-value = 0,033), ενώ οι γυναίκες ανέφεραν περισσότερες
ανησυχίες για την προστασία προσωπικών δεδομένων (p-value = 0,028). Η αύξηση
ηλικίας συσχετίστηκε με μεγαλύτερη αποδοχή στη διαγνωστική απόφαση (p-value =
0,014), ενώ η υψηλότερη εκπαίδευση με μειωμένη συμφωνία σε αρνητικές δηλώσεις
(p-value = 0,043). Τα χρόνια εμπειρίας δεν ανέδειξαν διαφοροποιήσεις. Όσο αυξάνεται
η αποδοχή κατανομής ευθύνης μεταξύ αλγορίθμου και ανθρώπου, μειώνεται η
συμφωνία συμβολής της τεχνητής νοημοσύνης στην εκπαίδευση (p-value = 0,006). Η
αποδοχή τελικής απόφασης από τον αλγόριθμο ενισχύει την αναγνώριση επίδρασης
στον επαγγελματικό ρόλο (p-value = 0,040). Όσοι τάσσονται υπέρ αποκλειστικά
ανθρώπινης ευθύνης υποεκτιμούν τον κίνδυνο σφαλμάτων (p-value < 0,001), ενώ όσοι
απορρίπτουν τον αλγόριθμο παραβλέπουν την πιθανότητα εμφάνισής τους (p-value =
0,042). Η μελέτη πρωτοτυπεί συσχετίζοντας διαγνωστική ευθύνη με αντιλήψεις για
αξιοπιστία, χρησιμότητα και ασφάλεια χρήσης. Εμπόδια εφαρμογής αναδείχθηκαν: η
έλλειψη γνώσης (64,1%), το κόστος (40,7%) και οι κυβερνοαπειλές (46,1%).

Συμπεράσματα: Η θετική στάση διαφοροποιείται ανάλογα με το φύλο, την ηλικία και την εκπαίδευση των συμμετεχόντων. Αναδείχθηκαν σχέσεις μεταξύ αντίληψης ευθύνης
και αποδοχής τεχνητής νοημοσύνης, προσφέροντας δεδομένα για στοχευμένες
πολιτικές. 

Introduction: The integration of artificial intelligence (AI) into medical imaging
presents both opportunities and challenges, rendering the exploration of radiographers’
and radiologists’ attitudes essential for its safe and human-centered implementation.
Aim: This study investigates the perspectives of Greek radiographers and radiologists
regarding the application of AI in medical imaging, highlighting both expectations and
concerns.
Method: A convenience sampling method was applied. The questionnaire was
distributed across fifteen (15) public hospitals from five (5) Health Regions and two (2)
private healthcare groups, between November 2024 and April 2025. A total of one
hundred sixty-seven (167) questionnaires were completed. Cronbach’s Alpha
confirmed the reliability of the following sections: B (0.692), C (0.648), D (0.735), E
(0.589). The data were analyzed using descriptive and inferential statistics via SPSS.
Results: A positive attitude toward the application of AI in medical imaging was
revealed. Male participants expressed greater agreement with its positive impact (p
value = 0.033), while female participants reported greater concerns regarding personal
data protection (p-value = 0.028). Increased age was associated with greater acceptance
of AI in diagnostic decision-making (p-value = 0.014), whereas higher education levels
correlated with lower agreement to negative statements (p-value = 0.043). Years of
professional experience showed no significant differences. As acceptance of shared
responsibility between algorithm and human increases, agreement with AI’s
contribution to training decreases (p-value = 0.006). Acceptance of final decision
making by the algorithm reinforces recognition of its impact on professional roles (p
value = 0.040). Participants favoring exclusive human responsibility underestimated the risk of errors (p-value < 0.001), while those rejecting the algorithm overlooked the
likelihood of their occurrence (p-value = 0.042). The study is original in correlating
diagnostic responsibility with perceptions of reliability, usefulness, and safety of use.
Identified implementation barriers included: lack of knowledge (64.1%), cost (40.7%),
and cybersecurity threats (46.1%).
Conclusion: The positive attitude varies according to participants’ gender, age, and
education. Relationships between perceived responsibility and AI acceptance were
highlighted, providing valuable data for the development of targeted policies.