本研究聚焦于资源受限环境中有效的疟疾检测，提出了三种超轻量级SqueezeNet1.1的变体，以解决现有架构在计算效率与准确率之间的平衡问题。研究结果表明，标准SqueezeNet1.1模型在分类准确率上表现最佳，而Variant 3在减少计算开销的情况下，几乎达到了相同的分类性能，展示了在资源限制下的灵活性。

本研究针对疟疾诊断模型在不同临床环境下的泛化能力不足的问题进行探索。通过细调和增量学习等方法，研究表明结合特定地点的数据可以显著提高模型性能，为更广泛的临床应用提供了可能性。

通过结合MBConv3和改进的全局MHSA机制，设计了M2ANET模型，用于高效分类疟原虫。M2ANET在准确性和效率方面优于其他轻量级和移动网络，适用于资源有限的医疗保健环境。M2ANET的开发对医学图像分析和全球医疗保健倡议有广泛影响。

通过使用高成本显微镜（HCM）进行训练，通过自适应对比损失来减小领域偏移，同时结合仔细设计的增强方式确保疟疾寄生虫的准确检测，我们提出了一个名为 CodaMal 的端到端学习框架，该方法在公开的大规模 M5 数据集中相较于现有方法在平均准确率（mAP）方面有 16% 的显著进步，在推理期间有 21 倍的加速，并且只需要之前方法的一半的可学习参数。