Según los datos de la literatura, la incidencia de infecciones superficiales e invasivas por moho no dermatofítico (NDMI) ha aumentado. Muchas de estas infecciones no se diagnostican correctamente o se diagnostican erróneamente, lo que provoca procedimientos de tratamiento inadecuados seguidos de condiciones críticas o incluso la mortalidad de los pacientes. El diagnóstico preciso de estas infecciones requiere análisis micológicos complejos y habilidades del operador, pero aún se necesitan pruebas micológicas simples, rápidas y más eficientes para superar las limitaciones de los procedimientos de diagnóstico fúngico convencionales. En este estudio, se ha desarrollado un software para proporcionar un diagnóstico micológico eficiente utilizando un modelo de red neuronal convolucional (CNN) entrenado como clasificador principal. Utilizando la arquitectura EfficientNet-B2 y láminas permanentes de NDM aisladas de materiales de pacientes (archivo personal del Prof. Otaevi, Departamento de Microbiología e Inmunología, Facultad de Medicina, Universidad de Ni, Serbia), se ha entrenado un modelo multi-CNN y luego se ha integrado en la herramienta de diagnóstico, con una precisión del 93.73% del modelo principal. El modelo de visualización Grad-CAM se ha utilizado para validar aún más el reconocimiento de patrones del modelo. El software, que realiza el diagnóstico final basado en la regla del método principal, ha sido probado con imágenes proporcionadas por diferentes laboratorios europeos, mostrando una precisión casi impecable con diferentes imágenes de prueba.