EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitSystematische ÜbersichtOpen Access · CC BY 4.0

Advancements in Artificial Intelligence-Based Diagnostic Tools Used to Detect Fungal Infections: A Systematic Review

Fortschritte bei KI-basierten Diagnosetools zum Nachweis von Pilzinfektionen: systematische Übersichtsarbeit

Noir M Albuqami iD, Lina M Alkahtani, Yara A Alharbi iD, Duaa A Aljuhaymi, Ragheed D Alnufaei, Alaa A Al Mashaikhi iD, Anwar A Sayed iD

Diagnostics · 01.02.2026 · 16 (3) · 450

DOI: 10.3390/diagnostics16030450 ↗

Auf einen Blick

11 Studien zeigen: KI-Modelle verbesserten bei Pilzinfektionen die diagnostische Genauigkeit, Sensitivität und Spezifität gegenüber traditionellen Verfahren.

Fragestellung

Wie genau und wirksam sind KI-gestützte Diagnosetools für Pilzinfektionen im Vergleich zu konventionellen Verfahren?

Methode

Systematische Übersichtsarbeit nach PRISMA; Suche in PubMed, ScienceDirect, Web of Science und Ovid; Vergleich von KI-Modellen mit konventionellen Diagnoseverfahren.

Ergebnisse

11 Studien erfüllten die Kriterien: 6 retrospektive und 5 prospektive Untersuchungen. KI-Modelle wie CNNs, Faster R-CNN, VGG19 und MobileNet verbesserten Genauigkeit, Sensitivität und Spezifität.

Einschränkungen

Unterschiede in Datenqualität, Modellvalidierung und Real-World-Anwendbarkeit.

Schlussfolgerung der Autor:innen

KI-gestützte Diagnosetechnologien bieten deutliche Vorteile bei der Erkennung von Pilzinfektionen und verbessern Geschwindigkeit und Genauigkeit der Diagnosen.

Kernaussagen

  • 11 Studien eingeschlossen
  • KI-Modelle verbesserten Genauigkeit, Sensitivität und Spezifität
  • Weitere klinische Validierung und größere Studien erforderlich

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Diagnostics, online erschienen am 01.02.2026. Verfasst von Noir M Albuqami und 6 weiteren Autor:innen. Beteiligte Einrichtung: College of Nursing, King Saud bin Abdulaziz University for Health Sciences, Jeddah 21423, Saudi Arabia. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 30 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Fungal infections are considered a global health concern, resulting in high morbidity and mortality rates, especially in immunocompromised individuals. Traditional diagnostic techniques, such as microscopy, culture, and polymerase chain reaction (PCR), suffer from low sensitivity, long processing time, and accessibility challenges, especially in resource-limited settings. Artificial intelligence (AI) and machine learning (ML) tools have demonstrated potential to enhance diagnostic accuracy and efficiency. This systematic study assesses the progress, precision, and efficacy of AI-driven diagnostic tools for fungal infections within various clinical contexts in comparison to traditional procedures.

Methods

A systematic review was conducted according to PRISMA principles. Literature searches were conducted in PubMed, ScienceDirect, Web of Science, and Ovid, focusing on research employing AI models to diagnose fungal infections. The inclusion criteria were research that compared AI-based tools with conventional diagnostic methods in terms of sensitivity, specificity, and accuracy. Data extraction and quality evaluation were performed utilizing validated instruments, such as the Methodological Index for Non-Randomized Studies (MINORS).

Results

Eleven research studies met the inclusion criteria: six retrospective and five prospective investigations. AI models, such as convolutional neural networks (CNNs), Faster R-CNN, VGG19, and MobileNet, have improved diagnostic accuracy, sensitivity, and specificity compared to traditional methods. However, differences in dataset quality, model validation, and real-world applicability remain as limitations.

Conclusions

AI-driven diagnostic technologies provide significant benefits in identifying fungal infections, improving the speed and accuracy of diagnoses. However, additional extensive investigations and clinical validation are required to improve model generalizability and facilitate smooth incorporation into healthcare systems.

Schlagwörter

Stichwörter der Autor:innen

artificial intelligencediagnosticsfungal infectionsystematic review

Autor:innen und Institutionen

  • College of Nursing, King Saud bin Abdulaziz University for Health Sciences, Jeddah 21423, Saudi Arabia.
  • College of Medicine, Taibah University, Madinah 42353, Saudi Arabia.
  • College of Medicine, Princess Nourah bint Abdulrahman University, Riyadh 11671, Saudi Arabia.
  • Department of Medicine, King Abdulaziz University Hospital, Jeddah 21589, Saudi Arabia.
  • Department of Medicine, King Faisal Medical Complex, Taif 21944, Saudi Arabia.
  • Department of Basic Medical Sciences, College of Medicine, Taibah University, Madinah 42353, Saudi Arabia.

ORCID-Profile: Noir M Albuqami, Yara A Alharbi, Alaa A Al Mashaikhi, Anwar A Sayed

Zitieren

APA

Albuqami, N. M., Alkahtani, L. M., Alharbi, Y. A., Aljuhaymi, D. A., Alnufaei, R. D., Al Mashaikhi, A. A., & Sayed, A. A. (2026). Advancements in Artificial Intelligence-Based Diagnostic Tools Used to Detect Fungal Infections: A Systematic Review. Diagnostics, 16(3), 450. https://doi.org/10.3390/diagnostics16030450

Vancouver

Albuqami NM, Alkahtani LM, Alharbi YA, Aljuhaymi DA, Alnufaei RD, Al Mashaikhi AA, et al. Advancements in Artificial Intelligence-Based Diagnostic Tools Used to Detect Fungal Infections: A Systematic Review. Diagnostics. 2026;16(3):450. doi:10.3390/diagnostics16030450

BibTeX
@article{Albuqami2026,
  author = {Albuqami, Noir M and Alkahtani, Lina M and Alharbi, Yara A and Aljuhaymi, Duaa A and Alnufaei, Ragheed D and Al Mashaikhi, Alaa A and Sayed, Anwar A},
  title = {Advancements in Artificial Intelligence-Based Diagnostic Tools Used to Detect Fungal Infections: A Systematic Review},
  journal = {Diagnostics},
  year = {2026},
  volume = {16},
  number = {3},
  pages = {450},
  doi = {10.3390/diagnostics16030450}
}
Kostenlos starten →