综述：人工智能驱动的疟疾诊断洞察：对诺氏疟原虫（Plasmodium knowlesi）的系统综述

　　本综述系统探讨了人工智能（AI）在疟疾诊断中的应用，特别聚焦于诺氏疟原虫（Plasmodium knowlesi）的血期分类。文章重点分析了深度学习（尤其是卷积神经网络CNN）、迁移学习、集成学习以及目标检测模型（如YOLO和Faster R-CNN）在提升诊断准确性与效率方面的潜力，同时指出了当前面临的挑战，包括标注数据有限、类别不平衡和模型可解释性等问题。推荐关注其在东南亚地区的实际应用价值。

　　

引言与背景

疟疾仍然是全球重大的公共卫生挑战，据世界卫生组织（WHO）报告，2023年全球约有2.63亿疟疾病例，较前一年增加了1100万例，其中死亡病例高达59.7万例，约占病例总数的0.2%。尤为严峻的是，疟疾每天导致近2000名儿童死亡，其中90%发生在资源有限的地区。诺氏疟原虫（Plasmodium knowlesi）作为一种重要的人畜共患疟疾病原体，在东南亚地区的发病率持续上升，其不同血期（包括环状体、滋养体、裂殖体和配子体）的准确识别对疾病诊断、治疗及传播控制至关重要。

尽管显微镜检查是疟疾诊断的金标准，但该方法劳动强度大、依赖专业判读，且容易因形态相似虫种（如其他疟原虫物种）而导致误判。近年来，人工智能（AI）尤其是深度学习（Deep Learning）技术的进步，为自动化血期识别、降低诊断变异性和提高效率提供了新的可能，而无需替代专家验证。

结果

通过系统筛选，本研究共纳入18项相关研究进行深入分析。这些研究主要应用了卷积神经网络（CNN）、迁移学习（Transfer Learning）、集成学习（Ensemble Learning）以及目标检测模型（如YOLO和Faster R-CNN）进行疟原虫血期分类。结果显示，深度学习模型在物种鉴别和血期区分方面表现出较高潜力，尤其CNN架构在特征提取和图像分类任务中效果显著。

然而，针对诺氏疟原虫血期分类的研究仍相对有限。现有数据集中普遍存在标注样本不足、类别不平衡（例如某些血期样本稀缺）以及模型可解释性差等问题，这限制了其临床推广和应用。

讨论

本综述首次全面综合了深度学习在诺氏疟原虫血期分类中的应用，指出这一领域在AI驱动疟疾诊断中尚未充分探索。尽管深度学习已广泛用于物种识别，但其在区分诺氏疟原虫四个血期（环状体、滋养体、裂殖体、配子体）方面的潜力仍未完全发掘。鉴于该虫种的人畜共患特性及在东南亚地区日益增长的流行率，开发高效、准确的AI诊断工具具有紧迫意义。

关键挑战包括：缺乏高质量标注数据集、模型在不同地区和设备下的泛化能力不足（即域适应问题），以及“黑箱”决策过程带来的可解释性顾虑。未来需通过加强数据 curation（整理）、采用域适应策略（Domain Adaptation）以及引入可解释AI（Explainable AI, XAI）方法来解决这些瓶颈。

结论

本研究总结了18篇文献中机器学习与深度学习技术在疟原虫血期分类中的应用，并探讨了这些方法在诺氏疟原虫中的适用性。结果表明，AI驱动工具有望提升诊断准确性、一致性和效率，尤其适用于资源有限地区。未来研究应聚焦于优化深度学习模型、扩大数据集规模、提升模型泛化能力和可解释性，以推动诺氏疟原虫诊断技术的实际落地。

伦理批准与参与同意

不适用。

出版同意

不适用。

数据与材料可用性

不适用。

资助

本研究由马来西亚高等教育部通过基础研究资助计划（FRGS/1/2024/SKK13/UM/02/1）支持，项目负责人为Khairunnisa Hasikin副教授。

作者贡献

Tiong Jia Ying：撰写初稿、概念化、方法论；Khairunnisa Hasikin：撰写审阅与编辑、验证、监督、概念化；Romano Ngui、Paul C.S. Divis、Loo Chu Kiong、Lai Khin Wee、Cheong Fei Wen、Wan Yusoff Wan Sulaiman：均参与撰写审阅与编辑及验证工作。

未引用参考文献

Lee et al., 2009; Barber et al., 2013

CRediT作者贡献声明

Tiong Jia Ying：撰写 – 原稿、方法论、概念化；Khairunnisa Hasikin：撰写 – 审阅与编辑、验证、监督、资金获取、概念化；Romano Ngui：撰写 – 审阅与编辑、验证、监督；Paul C.S. Divis：撰写 – 审阅与编辑、验证、监督；Loo Chu Kiong、Lai Khin Wee、Cheong Fei Wen、Wan Yusoff Wan Sulaiman：均参与撰写 – 审阅与编辑及验证。