マラリアは、マラリア原虫（Plasmodium属）に感染したアノフェレス蚊による刺咬によって引き起こされる疾患であり、毎年世界中で約40万件の死亡が報告されており、長年にわたり医療体制に大きな負担をかけてきた。従来のマラリア診断プロセスは、顕微鏡下での血液スライドの観察に基づくものであるが、この手法は時間と労力を要する上に、病理学専門医が高度な技術を要するため、診断の迅速化と質の確保が困難である。早期診断の実現、信頼性の高い診断施設の整備、および熟練した臨床検査技師の確保は、死亡率の低減に極めて重要である。本研究では、転移学習（transfer learning）およびスナップショットアンサンブル（snapshot ensembling）といった深層学習技術を活用し、薄血塗抹標本画像における原虫の自動検出を可能とする堅牢なシステムの構築を目的としている。評価には、F1スコア、正解率（Accuracy）、適合率（Precision）、再現率（Recall）、マシュー相関係数（MCC）、受信者操作特性曲線下面積（AUC-ROC）、および精度再現曲線下面積（AUC-PR）の各指標を用いた。特に、事前学習済みEfficientNet-B0モデルの複数スナップショットを統合したアンサンブルモデルが、他のすべてのモデルを上回り、F1スコア99.37%、適合率99.52%、再現率99.23%を達成した。これらの結果は、複数の弱いモデルの予測力を統合することで、現実世界のデータに対応できるより優れた単一モデルを構築する可能性を示している。また、GradCAM実験により、最後の畳み込み層における勾配活性化マップを可視化することで、モデルが画像のどの領域をどのように認識しているかを視覚的に解明した。本研究で検証されたモデルは、薄血塗抹標本画像における染色された寄生虫領域を正確に活性化しており、このような可視化によりモデルの透明性、説明可能性、信頼性が向上する。これは、医療ネットワークにおけるAIベースの診断モデルを実装する上で極めて重要な要素である。