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。

本文提出了一种基于ResNet50的深度学习方法，用于检测疟疾感染的血液细胞，分类准确率达到98.75%。研究还比较了Faster R-CNN与传统方法在细胞识别上的优势，表明深度学习在疟疾检测中的广泛应用潜力。

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。

生物化学家马修·希金斯及其团队正在利用人工智能研发更有效的疟疾疫苗，以拯救每年数十万生命。疟疾主要影响非洲，2020年导致约62.7万人死亡。现有疫苗RTS,S仅有30%有效率，希金斯的目标是研发多阶段疫苗，针对疟疾生命周期的各个阶段。通过结合AlphaFold技术，团队成功解析了关键蛋白质Pfs48/45的结构，推动了疫苗的临床前研究。