摘要
由感染疟原虫（Plasmodium）的按蚊叮咬所引发的疟疾，多年来一直是全球公共卫生体系的重大负担，每年约造成40万例死亡。传统的疟疾诊断方法依赖于在显微镜下人工检查血液涂片，该过程不仅耗时较长，且对病理科医师的专业技能要求极高。及时诊断以及具备可靠的诊断设施和熟练的实验室技术人员，对于降低疟疾死亡率至关重要。本研究旨在通过应用深度学习技术，如迁移学习（transfer learning）和快照集成（snapshot ensembling），构建一个鲁棒的自动化系统，以实现对薄血涂片图像中疟原虫的自动检测。所有模型均采用以下评价指标进行评估：F1分数、准确率（Accuracy）、精确率（Precision）、召回率（Recall）、马修斯相关系数（MCC）、受试者工作特征曲线下面积（AUC-ROC）以及精确率-召回率曲线下面积（AUC-PR）。通过整合预训练的EfficientNet-B0模型在训练过程中的多个快照所构建的快照集成模型，在各项指标中表现最优，达到F1分数99.37%、精确率99.52%、召回率99.23%。结果表明，通过融合多个弱模型的预测能力所形成的模型集成方法，能够生成一个更高效、更适应真实世界数据的单一模型，展现出巨大的应用潜力。此外，本研究还通过GradCAM实验生成了最后一层卷积层的梯度激活热图，以可视化方式揭示模型在图像中关注的关键区域及其判断依据。实验结果表明，该模型能够正确激活薄血涂片图像中经染色的疟原虫感兴趣区域。此类可视化结果显著提升了模型的透明性、可解释性与可信度，对于推动基于人工智能的医疗模型在实际医疗网络中的部署具有重要意义。