Wyszukiwarka
Abstrakt
Onychomycosis is a common fungal nail infection that is difficult to diagnose due to its similarity to other nail conditions. Accurate identification is essential for effective treatment. The current gold standard methods include microscopic examination with potassium hydroxide, fungal cultures, and Periodic acid-Schiff biopsy staining. These conventional techniques, however, suffer from high turnover times, variable sensitivity, reliance on human interpretation, and costs. This study examines the potential of integrating AI (artificial intelligence) with visualization tools like dermoscopy and microscopy to improve the accuracy and efficiency of onychomycosis diagnosis. AI algorithms can further improve the interpretation of these images. The review includes 14 studies from PubMed and IEEE databases published between 2010 and 2024, involving clinical and dermoscopic pictures, histopathology slides, and KOH microscopic images. Data extracted include study type, sample size, image assessment model, AI algorithms, test performance, and comparison with clinical diagnostics. Most studies show that AI models achieve an accuracy comparable to or better than clinicians, suggesting a promising role for AI in diagnosing onychomycosis. Nevertheless, the niche nature of the topic indicates a need for further research.
Cytowania
-
1
CrossRef
-
0
Web of Science
-
1
Scopus
Autorzy (5)
-
Barbara Bulińska
-
Martyna Sławińska dr n. med.
-
Roman Janusz Nowicki prof. dr hab.
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja w czasopiśmie
- Typ:
- artykuły w czasopismach
- Opublikowano w:
-
Journal of Fungi
nr 10,
ISSN: 2309-608X - Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Bulińska B., Mazur-Milecka M., Sławińska M., Rumiński J., Nowicki R. J.: Artificial Intelligence in the Diagnosis of Onychomycosis—Literature Review// Journal of Fungi -,iss. 8 (2024), s.534-
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.3390/jof10080534
- Źródła finansowania:
-
- Publikacja bezkosztowa
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 44 razy
Publikacje, które mogą cię zainteresować
Deep Learning-Based, Multiclass Approach to Cancer Classification on Liquid Biopsy Data
- M. A. Jopek,
- K. Pastuszak,
- S. Cygert
- + 5 autorów
Efficiency of Artificial Intelligence Methods for Hearing Loss Type Classification: an Evaluation
- M. Kassjański,
- M. Kulawiak,
- T. Przewoźny
- + 7 autorów