三阶段流程完成细胞计数与分类
PlasmoCount 2.0 沿用上一代的三阶段设计。目标检测模型先在显微镜视野中找出所有红细胞并输出边界框；这些细胞被裁剪后送入二分类模型，判断每个细胞是否被感染；被感染的细胞再进入回归模型，预测寄生虫处于环状体、滋养体还是裂殖体阶段。
这样拆分任务的原因在于，感染细胞相对于未感染细胞非常稀少。先检测全部细胞再逐一分类，可以避免让单个模型一步处理高度不平衡的问题。论文的改动主要集中在第一和第二阶段：新的检测器、新的分类器，以及把整个流程搬到手机上的新交付方式。
YOLOv8n 以极小体量比肩更大检测器
研究团队在自有红细胞数据上微调了七种检测器：四种 YOLOv8 变体（nano、small、medium、large）、三种基于 Transformer 的模型（DETR、Deformable DETR、DETA Swin Large），以及原版 PlasmoCount 使用的带特征金字塔网络的 Faster R-CNN。在该数据集上，YOLOv8n 以 320 万参数达到 99.1% 的 AP50，而 Faster R-CNN-FPN 以 4170 万参数达到 98.5%。Transformer 模型尽管在 COCO 上得分很高，在这个数据集上却落后：DETR 87.0、Deformable DETR 91.1、DETA Swin Large 88.7。
体量对比是这里最具决策意义的部分。四种 YOLOv8 变体的 AP50 保持在 98.77% 至 99.02% 之间，配对 t 检验显示差异不显著。既然更大的变体没有带来有意义的精度提升，作者选择最小的 YOLOv8n 用于后续全部测试和部署。论文把 YOLO 的优势部分归因于红细胞形态相对简单，不及其原始训练数据中的复杂物体。
40x 图像的计数误差落在人工分歧范围内
常规显微镜检查通常在 100x 油浸物镜下进行，这使深度学习工具局限于资源充足的实验室。作者测试了检测器能否在 40x 下工作——此时单张图像可容纳更多细胞——且不使用任何 40x 训练数据。他们在 20 张图像的独立测试集上，将四种拍摄策略与人工标注计数进行比较。
直接输入 40x 图像会失败：细胞平均绝对误差为 14.950，远差于任何一位标注者（2.725 至 4.550）。在训练中加入双峰尺度增强，让尺度分布更分散，使模型看到原本会漏掉的细胞尺寸，可将 40x 误差降至 2.000，细胞 Spearman 相关系数为 0.954。该误差低于人工标注者之间的差异。100x 策略在细胞计数上仍最佳（MAE 1.050，相关系数 0.975），且只有 100x 能把感染细胞分类误差控制在人工误差范围内（感染细胞 MAE 0.450）。40x 双峰和 40x 裁剪策略的感染细胞误差略高，分别为 0.700 和 0.550，作者将其归因于分辨率降低和定位不够精确。
五种疟原虫联合训练优于单一物种训练
训练集覆盖五种疟原虫的 3,102 张视野图像和 286,264 个细胞：P. falciparum（70,277 个细胞）、P. vivax（81,899）、P. berghei（41,382）、P. yoelii（48,264）和 P. chabaudi（44,442）。问题在于，当模型在任一单一物种上测试时，合并物种训练是有帮助还是有害。
结果是有帮助。用全部五种疟原虫训练的聚合模型，在分别以各单一物种测试时，于全部五个物种上都优于物种专属训练，Wilcoxon 符号秩检验 p < 0.05。该聚合模型还迁移到了训练中从未见过的两个物种 P. knowlesi 和 P. cynomolgi，评估使用了其他物种的 6,494 个细胞。论文指出，用 P. vivax 训练的模型在这些未见过的灵长类疟原虫上似乎优于用 P. falciparum 训练的模型，作者将其与 P. vivax 在进化上更接近这些物种联系起来。这一解读是作者基于系统发育亲缘关系的解释，而非经过检验的机制。
ConvNeXT-tiny 在精度与速度间胜出
在感染与未感染的分类器上，团队比较了多种架构与原版 ResNet-50。ConvNeXT-tiny 的 AUPRC 为 96.43%，位居第二，在其他所有报告指标上均为最佳，推理时间也排第二。其准确率 98.32%、召回率 96.29%、精确率 85.62%、特异度 98.55%、F1 90.60%，均为 5 折交叉验证的均值。ConvNeXT-base 的 AUPRC 最高，为 96.80%，但未被选用。
另一项新增功能针对全血涂片，其中白细胞以低频率出现。在红细胞加白细胞数据上训练检测器，使白细胞在 IoU 0.5 下的召回率从 51.44% 升至 98.77%，IoU 0.50–0.95 下的召回率从 29.49% 升至 79.74%，而红细胞指标基本持平（AP50 99.26% 对 99.25%）。白细胞评估使用的是增强数据集中 813 个白细胞，因此它衡量的是对这些细胞的检测，而非完整的诊断流程。
手机上不到三秒，但还不是诊断工具
移动应用在设备端完成推理，推理过程中从不上传图像到服务器。在 Google Pixel 6 上，单张 100x 图像用时略低于三秒，论文称这是所比较的各版本流程中最快的。安装包在 iOS 上为 143 Mb，在 Android 上为 206 Mb，应用支持 Android 10+ 和 iOS 15+，因此十多年前的手机也能运行。低于 0.8 的低置信度预测会被标记，供用户复核。
这些是工程结果，不是临床结果。作者指出，PlasmoCount 针对实验室研究优化，若作为临床诊断辅助工具，需要充分的监管批准和临床验证。生命周期阶段模型沿用第一版未作改动，因为没有新的生命周期标注可用，且现有数据集规模有限（n = 1,378）。论文还指出，P. malariae 和 P. ovale 不在训练数据中，因此对全部人类感染疟原虫物种的泛化能力仍未经检验。
实际收益在通量，不在诊断
综合来看，结果指向一个明确的优先级。测得的最大改进在速度和物种覆盖广度上：处理瓶颈减少 90%、设备端推理低于三秒、单一模型在五个物种上达到或超过物种专属训练，并迁移到两个未见物种。40x 结果的意义也在于此：它使高通量计数无需油浸显微镜即可实现，代价是感染细胞分类略弱于 100x。
对判断这是否改变自己工作的读者而言，关键区分在于计数与诊断。如果任务是在研究实验室中估计疟原虫血症和计数细胞，证据支持使用聚合模型；当通量比最后一点精度更重要时，可使用带尺度增强的 40x 成像。如果任务是临床诊断，论文自身的边界适用：该工具尚未经过临床验证，物种集合也仍不含 P. malariae 和 P. ovale。
本文引用的文献
Rapid multi-species malaria parasite detection using deep learning
PlasmoCount 2.0 用 YOLOv8n 取代 Faster R-CNN，加入多物种训练和白细胞处理，并可在手机上离线运行，处理单张 100x 图像不到三秒，同时在五种疟原虫上达到或超过物种专属分类器。