EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitOpen Access · CC BY 4.0

Emerging Pathways to Non-Invasive Diagnosis in Endometriosis: Integrating Machine Learning, Deep Learning and Multi-Omics Biomarkers

Neue Wege zur nicht-invasiven Diagnose der Endometriose: Integration von Machine Learning, Deep Learning und Multi-Omics-Biomarkern

Daniel Markov iD, Jasmin Gurung iD, Usman Khalid iD, Kristian Bechev iD, Vladimir Aleksiev iD, Galabin Markov iD, Elena Poryazova

Diagnostics · 12.06.2026 · 16 (12) · 1823

DOI: 10.3390/diagnostics16121823 ↗

Auf einen Blick

Die Übersichtsarbeit fasst KI-Ansätze zur Diagnose der Endometriose zusammen. Genannt werden Verbesserungen bei Genauigkeit und Diagnostik, aber auch methodische Grenzen.

Fragestellung

Welche Entwicklungen zu Machine Learning, Deep Learning und Natural Language Processing für die nicht-invasive Endometriose-Diagnostik gibt es?

Methode

Übersichtsarbeit zu aktuellen Entwicklungen von KI in der diagnostischen Abklärung der Endometriose.

Ergebnisse

Beschrieben werden KI-gestützte Bildgebung, etwa zum Pouch of Douglas, sowie Multi-Omics-Biomarker für die klinische Entscheidungsfindung. Genannt werden höhere Genauigkeit und kürzere Diagnoseverzögerungen.

Einschränkungen

Kleine Datensätze, Overfitting, fehlende externe Validierung und Variabilität.

Schlussfolgerung der Autor:innen

KI hat als nicht-invasive, skalierbare Ergänzung der aktuellen Diagnostik Potenzial; vor einem Einsatz in Gesundheitssystemen sind weitere Forschung und Evaluation nötig.

Kernaussagen

  • KI-Ansätze für Endometriose-Diagnostik werden zusammengefasst.
  • Genannt werden Bildgebung und Multi-Omics-Biomarker.
  • Limitationen: kleine Datensätze, Overfitting, fehlende externe Validierung.

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 12.06.2026. Verfasst von Daniel Markov und 6 weiteren Autor:innen. Beteiligte Einrichtung: Department of General and Clinical Pathology, Medical University of Plovdiv, 4002 Plovdiv, Bulgaria. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 52 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Endometriosis is a chronic, debilitating condition affecting approximately 10–15% of reproductive-aged women and it is often associated with significant diagnostic delays due to its heterogeneity and unreliable non-invasive tests. Artificial intelligence (AI) offers innovative methods for improving endometriosis diagnosis, prognosis and research via advanced pattern recognition and data analysis capabilities. The integration of AI in diagnostic workflow has the potential to improve efficiency, accuracy, and patient outcomes. This review summarises current developments of AI—including machine learning, deep learning, and natural language processing—in the diagnostic workflow of endometriosis. It analyses different fields of diagnostics ranging from AI-assisted imaging in detection of pouch of Douglas to multi-omics biomarkers assisting the clinical decision process. AI can enhance accuracy, reducing diagnostic delays and supporting personalised treatment planning. However, there are multiple limitations, such as small datasets, overfitting, and lack of external validation and variability. Further research and evaluation are required before it can be implemented into healthcare systems. AI holds promise as a non-invasive, scalable adjunct to current diagnostics, potentially reducing the economic and personal burden endometriosis carries.

Schlagwörter

Stichwörter der Autor:innen

artificial intelligencedeep learning imagingendometriosismachine learningmulti-omics biomarkersnon-invasive diagnosis

Autor:innen und Institutionen

  • Department of General and Clinical Pathology, Medical University of Plovdiv, 4002 Plovdiv, Bulgaria.
  • Department of Clinical Pathology, UMHAT "Pulmed", 4002 Plovdiv, Bulgaria.
  • Faculty of Medicine, Medical University of Plovdiv, 4002 Plovdiv, Bulgaria.
  • Neurological Surgery, Pulmed University Hospital, 4000 Plovdiv, Bulgaria.
  • Department of Thoracic Surgery, UMHAT "Kaspela", 4002 Plovdiv, Bulgaria.
  • Department of Cardiovascular Surgery, Medical University of Plovdiv, 4002 Plovdiv, Bulgaria.

ORCID-Profile: Daniel Markov, Jasmin Gurung, Usman Khalid, Kristian Bechev, Vladimir Aleksiev, Galabin Markov

Zitieren

APA

Markov, D., Gurung, J., Khalid, U., Bechev, K., Aleksiev, V., Markov, G., & Poryazova, E. (2026). Emerging Pathways to Non-Invasive Diagnosis in Endometriosis: Integrating Machine Learning, Deep Learning and Multi-Omics Biomarkers. Diagnostics, 16(12), 1823. https://doi.org/10.3390/diagnostics16121823

Vancouver

Markov D, Gurung J, Khalid U, Bechev K, Aleksiev V, Markov G, et al. Emerging Pathways to Non-Invasive Diagnosis in Endometriosis: Integrating Machine Learning, Deep Learning and Multi-Omics Biomarkers. Diagnostics. 2026;16(12):1823. doi:10.3390/diagnostics16121823

BibTeX
@article{Markov2026,
  author = {Markov, Daniel and Gurung, Jasmin and Khalid, Usman and Bechev, Kristian and Aleksiev, Vladimir and Markov, Galabin and Poryazova, Elena},
  title = {Emerging Pathways to Non-Invasive Diagnosis in Endometriosis: Integrating Machine Learning, Deep Learning and Multi-Omics Biomarkers},
  journal = {Diagnostics},
  year = {2026},
  volume = {16},
  number = {12},
  pages = {1823},
  doi = {10.3390/diagnostics16121823}
}
Kostenlos starten →