摘要
背景：疟疾是由疟原虫（Plasmodium）引起的一种严重且可能致命的疾病，全球每年导致的死亡人数超过60万。早期且准确地检测疟原虫对于实现有效治疗至关重要，然而传统的显微镜检查方法在检测一致性与效率方面存在明显局限。方法：本文提出一种基于深度学习与注意力机制的新型计算机辅助检测框架，该框架在YOLO-SPAM与YOLO-PAM模型的基础上进行扩展。所提出的方法能够实现对疟原虫全感染阶段的检测与分类，并支持多物种识别。结果：该框架在三个公开可用的数据集上进行了评估，表现出对四种不同疟原虫物种及其生活阶段的高精度检测能力。与当前最先进的方法相比，本方法在检测率和临床诊断实用性方面均实现了显著提升。结论：本研究提出了一种可靠的自动化疟疾检测解决方案，可为病理科医生提供有力支持，显著提升实际诊疗场景中的诊断效率与准确性。