编辑推荐：
这篇综述系统回顾了疟疾诊断中对疟原虫属（Plasmodium）的自动化分析方法。通过遵循 PRISMA 指南进行文献回顾，探讨了相关数据库、血涂片类型、染色技术及诊断模型，指出深度学习（DL）和机器学习（ML）虽有前景，但仍面临数据标准化等挑战。
引言
疟疾是一种由疟原虫（Plasmodium）引起的威胁生命的疾病，疟原虫以雌性按蚊为传播媒介。疟原虫在人体中传播并感染红细胞，根据感染阶段不同，症状从轻到重有所差异。初期症状通常较轻微，类似流感，如发烧、寒战和头痛；严重症状则包括呼吸困难、疲劳、癫痫发作等，且症状可能呈周期性出现。疟疾的潜伏期一般在感染后 7 至 30 天，特殊情况下，症状可能数月后才出现，部分疟原虫还能在宿主体内长期潜伏。若能早期发现并治疗，疟疾是可预防和治愈的。自 2000 年以来，约 22 亿例疟疾病例和 1270 万例疟疾相关死亡得以避免，但 2023 年仍有 2.63 亿例疟疾病例和 59.7 万例疟疾死亡病例 。
主要有五种疟原虫（Plasmodium）可感染人类致病，分别是恶性疟原虫（P. falciparum）、间日疟原虫（P. vivax）、卵形疟原虫（P. ovale）、诺氏疟原虫（P. knowlesi）和三日疟原虫（P. malariae）。其中，恶性疟原虫（P. falciparum）最为致命，感染患者可能出现抽搐、器官衰竭、严重失血、血管堵塞和昏迷等症状，且病情发展迅速，可在 24 小时内导致重症甚至死亡。间日疟原虫（P. vivax）和卵形疟原虫（P. ovale）感染通常症状较轻，但疟原虫可在肝脏潜伏数月，导致数月或数年后疾病复发。间日疟原虫（P. vivax）在撒哈拉以南非洲以外的国家较为常见，而恶性疟原虫（P. falciparum）在非洲更为频发。三日疟原虫（P. malariae）感染相对较少且症状较轻，可在人体内存活数年，潜伏期较长。诺氏疟原虫（P. knowlesi）通常感染猴子，但也能感染人类，引发严重且可能致命的疟疾，在东南亚部分地区，如马来西亚及其邻国较为流行。
深度学习（DL）、机器学习（ML）和人工智能（AI）等智能技术在医疗保健行业中发挥着重要作用，可用于检测和分类引起疟疾的微生物，相关的分类和预测模型对阻止疟疾传播至关重要。机器学习（ML）在医疗保健领域应用广泛，可提高诊断准确性、实现个性化治疗、改善运营效率，还能辅助疾病预测、药物研发、医疗管理等工作，减轻医疗专业人员的工作量，帮助临床决策，分析大量医疗数据，发现人类专家可能忽略的模式，推动医学研究和临床实践的发展。
本文对疟疾检测和研究中使用的数据库、血涂片类型、染色技术及各种诊断模型进行了全面综述，旨在识别各项研究的局限性和贡献，这些内容在以往的疟疾相关系统综述中尚未被全面涵盖。
文献检索和选择标准
本研究遵循 PRISMA 报告清单，对基于疟原虫诊断的研究进行系统回顾。系统回顾采用明确系统的方法，整合和总结针对特定问题的研究数据，有助于发现最新研究结果与以往研究的差异，为该领域的未来改进和新趋势的探索提供方向。
质量评估
通过质量评估问题对所选研究进行量化评估。本研究共考虑六个问题，从研究目标、数据来源、问题识别、进一步研究建议、评估指标以及所建议策略在疟疾背景下的有效性等方面对每项研究进行评价。
- QA 1：研究目标是否明确阐述？
- QA 2：研究中是否明确提及数据收集来源？
质量评估的回应
表 2 展示了所有 63 项所选研究的质量评估结果。评分标准为：是计为 “1”，否计为 “0”，不明确计为 “0.5”。每项研究的最终得分是所有问题得分之和。本研究纳入的研究最低得分为 4 分，最高得分为 6 分，这表明纳入的研究几乎能显著回答所有问题。
研究问题的回应
基于全文分析，在此阶段讨论了所有目标问题。这些问题旨在确保所选研究涵盖所有相关查询、现代方法及其优缺点、未来研究的潜在领域和现有局限性。
- RQ 1：所选研究使用了哪些数据库，这些数据库是否开放访问？数据库在不同领域的研究中至关重要，是开发和……（原文此处未完整阐述数据库作用，按现有内容翻译）
结果与讨论
本研究重点介绍了利用显微镜血涂片数据进行疟原虫检测中机器学习（ML）的成果、差距和未来发展方向。利用机器学习（ML）模型检测疟疾的过程可分为七个步骤，即选择血涂片类型（厚涂片或薄涂片）、选择数据库 / 数据积累、选择要使用的机器学习（ML）模型、预处理技术、使用所选机器学习（ML）模型进行分类、后处理技术、测试和验证结果。
结论
本研究全面分析了用于在人类血涂片显微镜图像中检测疟原虫（Plasmodium）的计算机视觉和机器学习（ML）方法，并遵循 PRISMA 框架指南确保讨论和呈现的质量。90% 的研究使用开放获取数据集，其中 56% 的研究使用美国国立卫生研究院（NIH）数据库，而第二常用的 Kaggle 数据库仅被 11% 的研究使用。研究还发现，吉姆萨染色薄血涂片是检测和观察疟原虫生命周期的最有效诊断方法，同时确定了最适合疟疾数字诊断的三类机器学习（ML）模型：准确率最高的 ResNet 和 VGG 模型，峰值准确率达 99.12%；最受欢迎的基于自定义卷积神经网络（CNN）的模型，58% 的研究使用；复杂度最低的 CADx 模型。此外，还讨论了一些如高斯滤波器和自动编码器等预处理和后处理技术，可用于降低噪声，提高模型准确性。虽然深度学习（DL）模型在疟疾诊断中表现出高性能，但在数据标准化和实际应用方面仍存在挑战。解决这些问题有助于开发更可靠、可扩展的诊断工具，助力全球疟疾防控工作。
