MedFineSAM提升眼底与前列腺影像分割精度
摘要
研究针对Segment Anything Model（SAM）在医学影像分割中缺乏细粒度解剖知识、易受错误提示干扰、结构不连续等问题，提出新型模型MedFineSAM。该模型整合三大模块：共享细粒度结构增强、提示门控机制和频域结构连续性扩散（SCFD）。在眼底图像和前列腺MRI基准测试中，其泛化性能优于现有方法，为单源域医学图像分割提供新路径。
信息来源： PubMed Ophthalmology 发布于 2026年5月5日
要点速览
- 研究提出MedFineSAM模型，旨在解决SAM在医学影像分割中细粒度结构识别不足的问题
- 模型包含共享细粒度结构增强、提示门控机制和频域结构连续性扩散（SCFD）三大模块
- 在眼底图像和前列腺MRI基准测试中展现出更优的泛化性能
本站解读
这项研究本质上是给当前火爆的通用图像分割模型SAM‘加装眼科和放射科专用导航系统’——它没发现新疾病，也没改变诊疗流程，而是让AI更稳、更准地识别眼底血管、视盘等细微结构。样本量和实验设计未在摘要中披露，仅提及其在‘眼底benchmark’和‘前列腺MRI benchmark’上验证，属于典型算法验证研究，非临床队列试验，因此离真实手术室或筛查现场还有距离。
短期内不可能直接进医院PACS系统；它需要与现有诊断软件集成、通过医疗器械认证、完成多中心临床验证，这些步骤一个都不能少。论文里没提任何人体试验或临床部署时间表，所以别指望明年就能用上。国内情况有待确认。
普通人完全不需要为此调整生活习惯或检查频率——这是一项后台技术升级，就像手机芯片换代，用户感知不到，但未来可能让AI辅助阅片更快更可靠。如有疑虑可咨询眼科医生。
常见问题
这个新AI模型能帮医生更快看出眼底照片里的问题吗？
理论上可以，MedFineSAM提升了AI对眼底细微结构（如微血管、视杯边缘）的识别稳定性，尤其在不同设备拍出的图像间切换时更少出错。但它目前只在实验室基准测试中验证，尚未进入临床系统，也不替代医生判断。如有疑虑可咨询眼科医生。
以后做眼底检查，AI会直接告诉我有没有糖尿病视网膜病变吗？
不会。该模型只是提升AI分割图像中解剖区域的能力，并非诊断模型，更不输出疾病结论。它属于底层技术组件，距离生成诊断报告还很远。当前眼底检查结果仍需由专业医生综合判断。如有疑虑可咨询眼科医生。
延伸阅读
拓扑感知无监督域自适应提升血管结构分割
研究提出TopoUDA框架，专为解决医学影像中曲状解剖结构（如视网膜血管）跨设备、跨模态分割时出现的断裂、连通性错误等问题。该方法通过三部分创新：设计能识别解剖合理性的曲状感知判别器（CAD）、利用持续同调理论优化碎片化预测的分层拓扑精炼器（HTR）、结合外观与拓扑可信度的混合信任机制（HTM）。在眼底照相、OCTA和电镜图像上验证，其重叠指标与拓扑指标均显著优于现有最优方法。
LCNet：轻量级视网膜血管分割网络
研究者提出一种名为LCNet的轻量级U型深度学习网络，用于眼底图像中的视网膜血管分割。该模型采用深度可分离卷积、协同坐标注意力模块和空洞空间金字塔池化模块，并引入四个侧向输出层增强监督。在DRIVE、STARE、CHASEDB1和IOSTAR四个公开数据集上，全局准确率分别达96.02%、97.95%、97.95%和97.77%，参数量仅2.65M，计算量为21.2 GFLOPs。
AI辅助干燥综合征唾液腺分型研究综述
该系统性综述评估了人工智能和机器学习在干燥综合征（SjD）唾液腺组织病理与分子分析中的应用。共纳入25项研究，AI/ML识别出免疫激活、组织结构改变、上皮应激及细胞死亡等多维表型。但仅少数研究推进到功能扰动、药物测试或人体治疗反应验证。研究受限于小样本、重复使用公共数据集、方法不统一及缺乏独立验证。