플라스모디움 속 기생충에 감염된 안오페일레스 모기의 물에 의해 발생하는 말라리아는 매년 전 세계적으로 약 40만 명의 사망자를 초래하며, 오랜 기간 동안 보건 분야에 큰 부담을 안겨왔다. 말라리아의 전통적인 진단 과정은 현미경을 이용한 혈액 도말 슬라이드 검사로, 이 과정은 시간이 오래 걸릴 뿐만 아니라 병리학자들이 높은 전문성을 요구하는 작업이 필요하다. 신속한 진단과 견고한 진단 시설, 그리고 숙련된 실험실 기술자의 확보는 사망률을 낮추는 데 매우 중요하다. 본 연구는 전이 학습(transfer learning)과 스�냅샷 앙상블(snapshots ensembling)과 같은 딥러닝 기법을 활용하여 얇은 혈액 도말 영상에서 기생충을 자동으로 탐지할 수 있는 강력한 시스템을 구축하는 것을 목표로 한다. 모든 모델은 F1 스코어, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), 매스웰 상관 계수(MCC), 수신자 작동 특성 곡선 아래 면적(AUC-ROC), 정밀도-재현율 곡선 아래 면적(AUC-PR) 등의 지표를 기준으로 평가되었다. 특히, 사전 학습된 EfficientNet-B0 모델의 스�냅샷을 결합하여 구축한 스�냅샷 앙상블 모델은 다른 모든 모델을 상회하며, F1 스코어 99.37%, 정밀도 99.52%, 재현율 99.23%의 높은 성능을 기록했다. 결과는 다수의 약한 모델의 예측 능력을 통합하여 단일 효율적인 모델을 만드는 모델 앙상블의 잠재력을 보여주며, 실제 세계 데이터를 보다 효과적으로 처리할 수 있는 능력을 갖춘 모델의 개발 가능성을 시사한다. 또한, GradCAM 실험을 통해 마지막 합성곱 층의 기울기 활성화 맵을 시각적으로 분석함으로써, 모델이 이미지 내에서 어떤 부분을 인식하여 특정 클래스로 분류하는지 명확히 설명할 수 있었다. 본 연구에서 사용된 모델들은 얇은 혈액 도말 영상에서 염색된 기생충 영역을 정확히 활성화하는 것을 확인하였다. 이러한 시각적 해석은 모델의 투명성, 설명 가능성, 신뢰성을 높여주며, 인공지능 기반 모델을 의료 네트워크에 도입하는 데 있어 매우 필수적인 요소로 작용한다.